Fugu-MT 論文翻訳(概要): Line detection via a lightweight CNN with a Hough Layer

論文の概要: Line detection via a lightweight CNN with a Hough Layer

arxiv url: http://arxiv.org/abs/2008.08884v2
Date: Fri, 16 Oct 2020 13:05:58 GMT
ステータス: 処理完了
システム内更新日: 2022-10-27 03:40:31.000792
Title: Line detection via a lightweight CNN with a Hough Layer
Title（参考訳）: ハフ層を用いた軽量CNNによる線検出
Authors: Lev Teplyakov, Kirill Kaymakov, Evgeny Shvets, Dmitry Nikolaev
Abstract要約: ライン検出は、伝統的にハフ変換によって解決された重要なコンピュータビジョンタスクである。組込みパラメータフリーハフ層を用いたライン検出のための軽量CNNを提案する。
参考スコア（独自算出の注目度）: 0.9135092203041721
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Line detection is an important computer vision task traditionally solved by Hough Transform. With the advance of deep learning, however, trainable approaches to line detection became popular. In this paper we propose a lightweight CNN for line detection with an embedded parameter-free Hough layer, which allows the network neurons to have global strip-like receptive fields. We argue that traditional convolutional networks have two inherent problems when applied to the task of line detection and show how insertion of a Hough layer into the network solves them. Additionally, we point out some major inconsistencies in the current datasets used for line detection.
Abstract（参考訳）: ライン検出は、伝統的にハフ変換によって解決された重要なコンピュータビジョンタスクである。しかし、ディープラーニングの進歩により、ライン検出へのトレーニング可能なアプローチが普及した。本稿では,ネットワークニューロンがグローバルにストリップ状受容野を持つためのパラメータフリーhough層を組み込んだ,ライン検出のための軽量cnnを提案する。従来の畳み込みネットワークは、ライン検出のタスクに適用されると2つの固有の問題があり、ハフ層がネットワークにどのように挿入されるかを示す。さらに、線検出に使われる現在のデータセットにおけるいくつかの大きな不整合を指摘する。

関連論文リスト

Backdoor Attack Detection in Computer Vision by Applying Matrix Factorization on the Weights of Deep Networks [6.44397009982949]
本稿では,事前訓練したDNNの重みから特徴を抽出するバックドア検出手法を提案する。他の検出技術と比較して、これはトレーニングデータを必要としないなど、多くのメリットがある。提案手法は, 競合するアルゴリズムよりも効率性が高く, より正確であり, 深層学習とAIの安全な適用を確実にするのに役立つ。
論文参考訳（メタデータ） (2022-12-15T20:20:18Z)
DeepLSD: Line Segment Detection and Refinement with Deep Image Gradients [105.25109274550607]
ラインセグメントは、視覚タスクでますます使われています。画像勾配に基づく従来の線検出器は非常に高速で精度が高いが、ノイズの多い画像や困難な条件では頑丈さに欠ける。我々は、両方の世界を最大限に活用するために、伝統的なアプローチと学習されたアプローチを組み合わせることを提案する。
論文参考訳（メタデータ） (2022-12-15T12:36:49Z)
Unfolding Local Growth Rate Estimates for (Almost) Perfect Adversarial Detection [22.99930028876662]
畳み込みニューラルネットワーク(CNN)は、多くの知覚的タスクにおける最先端のソリューションを定義する。現在のCNNアプローチは、システムを騙すために特別に作られた入力の敵の摂動に対して脆弱なままである。本稿では,ネットワークの局所固有次元(LID)と敵攻撃の関係について,最近の知見を生かした,シンプルで軽量な検出器を提案する。
論文参考訳（メタデータ） (2022-12-13T17:51:32Z)
On the detection of morphing attacks generated by GANs [0.0]
近年の研究では、従来のランドマークベースの手法と同様の成功率に達するGANベースのモーフィング攻撃の実現可能性を示している。スペクトル特徴とLBPヒストグラム特徴に基づく簡易な深部形態検出ベースラインについて検討する。 GAN画像検出に有効な事前トレーニングされたResNetが最も有効であり、精度は完璧に近いと結論付けている。
論文参考訳（メタデータ） (2022-09-01T12:28:55Z)
Trace and Detect Adversarial Attacks on CNNs using Feature Response Maps [0.3437656066916039]
畳み込みニューラルネットワーク(CNN)に対する敵対的攻撃本研究では,攻撃防止のための新たな攻撃事例検出手法を提案する。特徴応答における逆方向の摂動をトラッキングすることで、平均的な局所空間エントロピーを用いた自動検出が可能となる。
論文参考訳（メタデータ） (2022-08-24T11:05:04Z)
Recursive Least-Squares Estimator-Aided Online Learning for Visual Tracking [58.14267480293575]
オフライン学習を必要とせず、簡単な効果的なオンライン学習手法を提案する。これは、モデルが以前見たオブジェクトに関する知識を記憶するための、内蔵されたメモリ保持メカニズムを可能にする。我々は、RT-MDNetにおける多層パーセプトロンと、DiMPにおける畳み込みニューラルネットワークの追跡のためのオンライン学習ファミリーにおける2つのネットワークに基づくアプローチを評価する。
論文参考訳（メタデータ） (2021-12-28T06:51:18Z)
SOLD2: Self-supervised Occlusion-aware Line Description and Detection [95.8719432775724]
単一深層ネットワークにおける回線セグメントの最初の共同検出と記述について紹介します。我々の手法は注釈付き行ラベルを必要としないため、任意のデータセットに一般化することができる。複数のマルチビューデータセットにおいて,従来の行検出と記述方法に対するアプローチを評価した。
論文参考訳（メタデータ） (2021-04-07T19:27:17Z)
Overcoming Catastrophic Forgetting in Graph Neural Networks [50.900153089330175]
破滅的な忘れは、ニューラルネットワークが新しいタスクを学ぶ前に学んだ知識を「忘れる」傾向を指します。本稿では,この問題を克服し,グラフニューラルネットワーク(GNN)における継続学習を強化するための新しいスキームを提案する。私たちのアプローチの中心には、トポロジ認識重量保存(TWP)と呼ばれる汎用モジュールがあります。
論文参考訳（メタデータ） (2020-12-10T22:30:25Z)
Deep Hough Transform for Semantic Line Detection [70.28969017874587]
自然の場面で意味のある線構造、つまり意味的な線を検知する基本的なタスクに焦点をあてる。従来の手法は線の性質を無視し、準最適性能をもたらす。行検出のためのワンショットエンドツーエンド学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-03-10T13:08:42Z)
Curriculum By Smoothing [52.08553521577014]
畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
論文参考訳（メタデータ） (2020-03-03T07:27:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。