論文の概要: Robust Object Classification Approach using Spherical Harmonics

• arxiv url: http://arxiv.org/abs/2009.01369v1
• Date: Wed, 2 Sep 2020 22:29:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-22 18:43:10.202920
• Title: Robust Object Classification Approach using Spherical Harmonics
• Title（参考訳）: 球高調波を用いたロバスト物体分類手法
• Authors: Ayman Mukhaimar, Ruwan Tennakoon, Chow Yin Lai, Reza Hoseinnezhad, Alireza Bab-Hadiashar
• Abstract要約: 我々は、点雲に基づく物体の分類に頑健な球面調和法を提案する。 本研究では,ロバストオブジェクト分類のための球面畳み込みニューラルネットワークフレームワークを提案する。 その結果,提案手法は,データ拡張に対するロバスト性の観点から,アートネットワークの状況よりも優れていた。
• 参考スコア（独自算出の注目度）: 4.811102139180718
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present a robust spherical harmonics approach for the classification of point cloud-based objects. Spherical harmonics have been used for classification over the years, with several frameworks existing in the literature. These approaches use variety of spherical harmonics based descriptors to classify objects. We first investigated these frameworks robustness against data augmentation, such as outliers and noise, as it has not been studied before. Then we propose a spherical convolution neural network framework for robust object classification. The proposed framework uses the voxel grid of concentric spheres to learn features over the unit ball. Our proposed model learn features that are less sensitive to data augmentation due to the selected sampling strategy and the designed convolution operation. We tested our proposed model against several types of data augmentation, such as noise and outliers. Our results show that the proposed model outperforms the state of art networks in terms of robustness to data augmentation.
• Abstract（参考訳）: 本稿では,点雲に基づく物体の分類に頑健な球面調和法を提案する。 球面調和は長年にわたって分類に用いられ、文献にいくつかの枠組みが存在する。 これらのアプローチでは、さまざまな球面調和に基づく記述子を使ってオブジェクトを分類する。 我々はまず,これまでに研究されていない異常値やノイズなどのデータ拡張に対するロバスト性について検討した。 次に,ロバストオブジェクト分類のための球面畳み込みニューラルネットワークフレームワークを提案する。 提案フレームワークは,同心球のボクセル格子を用いて単位球上の特徴を学習する。 提案モデルでは,選択したサンプリング戦略と畳み込み操作により,データ拡張に対する感度が低下する特徴を学習する。 提案モデルでは,ノイズや異常値など,複数の種類のデータ拡張に対してテストを行った。 その結果,提案手法は,データ拡張に対するロバスト性の観点から,アートネットワークの状況よりも優れていた。

関連論文リスト

• Enhancing Robustness to Noise Corruption for Point Cloud Recognition via Spatial Sorting and Set-Mixing Aggregation Module [17.588975042641007]
  本研究では,個々の雑音点の影響を緩和するノイズロバストアグリゲーションモジュール,Set-Mixerを提案する。 ModelNet40-Cで行った実験によると、Set-Mixerはノイズの多い点のクラウド上でのモデル性能を大幅に向上する。
  論文  参考訳（メタデータ） (2024-07-15T15:21:34Z)
• Leveraging Angular Information Between Feature and Classifier for Long-tailed Learning: A Prediction Reformulation Approach [90.77858044524544]
  分類器の重みを再バランスすることなく、包含角度で認識確率を再構成する。 予測形式再構成の性能向上に着想を得て, この角度予測の異なる特性について検討する。 CIFAR10/100-LT と ImageNet-LT を事前学習することなく、ピアメソッド間で最高の性能を得ることができる。
  論文  参考訳（メタデータ） (2022-12-03T07:52:48Z)
• Inference and Learning for Generative Capsule Models [5.1081420619330515]
  カプセルネットワークは、オブジェクトとその部分の関係に関する知識と推論を符号化することを目的としている。 このようなデータに対する生成モデルを定義し、各モデルオブジェクトの変換を推定するための変分アルゴリズムを導出する。 また、Fischler and Bolles (1981) のRANSAC法に基づく代替推論アルゴリズムについても検討した。
  論文  参考訳（メタデータ） (2022-09-07T13:05:47Z)
• Feature Space Particle Inference for Neural Network Ensembles [13.392254060510666]
  粒子ベースの推論法はベイズの観点から有望なアプローチを提供する。 特定の中間層が活性化される特徴空間における粒子の最適化を提案する。 提案手法は,各メンバーに対して,アンサンブル予測の堅牢性の向上を期待する特徴を捉えることを奨励する。
  論文  参考訳（メタデータ） (2022-06-02T09:16:26Z)
• Deep Variational Models for Collaborative Filtering-based Recommender Systems [63.995130144110156]
  ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。 提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。 提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2021-07-27T08:59:39Z)
• Variational Auto Encoder Gradient Clustering [0.0]
  近年,ディープニューラルネットワークモデルを用いたクラスタリングが広く研究されている。 本稿では、より良いクラスタリングを実現するために確率関数勾配上昇を使用してデータを処理する方法を検討する。 DBSCANクラスタリングアルゴリズムに基づいて,データに適したクラスタ数を調べるための簡便かつ効果的な方法を提案する。
  論文  参考訳（メタデータ） (2021-05-11T08:00:36Z)
• Polynomial Networks in Deep Classifiers [55.90321402256631]
  我々は深層ニューラルネットワークの研究を統一的な枠組みで行った。 私たちのフレームワークは、各モデルの誘導バイアスに関する洞察を提供します。 提案モデルの有効性を,標準画像および音声分類ベンチマークで評価した。
  論文  参考訳（メタデータ） (2021-04-16T06:41:20Z)
• Context Decoupling Augmentation for Weakly Supervised Semantic Segmentation [53.49821324597837]
  微調整されたセマンティックセグメンテーションは、近年深く研究されている困難な問題です。 本稿では、オブジェクトが現れる固有のコンテキストを変更する Context Decoupling Augmentation (CDA) メソッドを紹介します。 提案手法の有効性を検証するため, PASCAL VOC 2012データセットにいくつかの代替ネットワークアーキテクチャを用いた広範な実験を行い, CDAが様々なWSSS手法を新たな最先端技術に拡張できることを実証した。
  論文  参考訳（メタデータ） (2021-03-02T15:05:09Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• How to compare adversarial robustness of classifiers from a global perspective [0.0]
  敵対的攻撃は、機械学習モデルの信頼性と信頼性を損なう。 特定の脅威モデルのポイントワイド測度は、現在、分類器の堅牢性を比較するための最も一般的なツールである。 本研究では,最近提案されたロバストネス曲線を用いて,ポイントワイド測度が重要なグローバルな特性を捉えることができないことを示す。
  論文  参考訳（メタデータ） (2020-04-22T22:07:49Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。