論文の概要: Weakly Supervised Deep Functional Map for Shape Matching

• arxiv url: http://arxiv.org/abs/2009.13339v1
• Date: Mon, 28 Sep 2020 14:06:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 21:39:40.177976
• Title: Weakly Supervised Deep Functional Map for Shape Matching
• Title（参考訳）: 形状マッチングのための弱改良深部関数マップ
• Authors: Abhishek Sharma and Maks Ovsjanikov
• Abstract要約: 損失関数の異なるアート結果の状態を,教師なしだけでなく教師なしでも得るための,経験的に最小限の要素を提示する。 そこで本研究では,複数のベンチマークデータセット上で得られた技術結果に適合する,フル・ツー・フルと部分的・フルな形状の両方を設計した新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 35.58521417084282
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A variety of deep functional maps have been proposed recently, from fully supervised to totally unsupervised, with a range of loss functions as well as different regularization terms. However, it is still not clear what are minimum ingredients of a deep functional map pipeline and whether such ingredients unify or generalize all recent work on deep functional maps. We show empirically minimum components for obtaining state of the art results with different loss functions, supervised as well as unsupervised. Furthermore, we propose a novel framework designed for both full-to-full as well as partial to full shape matching that achieves state of the art results on several benchmark datasets outperforming even the fully supervised methods by a significant margin. Our code is publicly available at https://github.com/Not-IITian/Weakly-supervised-Functional-map
• Abstract（参考訳）: 近年では、完全な教師付きから完全に教師なしまで、様々な損失関数と異なる正規化項を含む様々な深い関数写像が提案されている。 しかし、深層機能マップパイプラインの最小成分が何であるか、その成分が深層機能マップに関する最近のすべての作業を統一するか、あるいは一般化するかは、まだ明らかではない。 異なる損失関数を持つ芸術結果の状態を得るための経験的最小成分を示し,教師なしおよび教師なしの方法を示した。 さらに,フル・トゥ・フルとパーシャル・フル・シェイプ・マッチングの両方のために設計された新しいフレームワークを提案する。 私たちのコードはhttps://github.com/Not-IITian/Weakly-supervised-Functional-mapで公開されています。

関連論文リスト

• Deep Frequency-Aware Functional Maps for Robust Shape Matching [17.276162941967943]
  本稿では、Deep Frequency-Aware Functional Mapと呼ばれる、教師なし学習に基づく新しいフレームワークを提案する。 まずスペクトルフィルタ演算子保存という一般制約を導入し,所望の関数写像を計算した。 次に,提案した制約を損失関数として直接利用して,関数写像,点写像,フィルタ関数を同時に監視する。
  論文  参考訳（メタデータ） (2024-02-06T11:16:18Z)
• Revisiting Map Relations for Unsupervised Non-Rigid Shape Matching [18.957179015912402]
  非剛性3次元形状マッチングのための教師なし学習手法を提案する。 提案手法は,従来の最先端手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-17T17:28:03Z)
• Global Context Aggregation Network for Lightweight Saliency Detection of Surface Defects [70.48554424894728]
  我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。 まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。 3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
  論文  参考訳（メタデータ） (2023-09-22T06:19:11Z)
• Unsupervised Learning of Robust Spectral Shape Matching [12.740151710302397]
  頑健な3次元形状マッチングのための新しい学習手法を提案する。 提案手法は, 深い関数型マップ上に構築され, 完全に教師なしの方法で訓練することができる。
  論文  参考訳（メタデータ） (2023-04-27T02:12:47Z)
• Understanding and Improving Features Learned in Deep Functional Maps [31.61255365182462]
  より深い関数型マップアプローチで学習した特徴は、異なる形状のポイントワイド記述子として利用できることを示す。 本稿では,学習特徴の構造的特性を促進するため,標準的な深部関数型マップパイプラインを効果的に修正することを提案する。
  論文  参考訳（メタデータ） (2023-03-29T08:32:16Z)
• Revisiting Point Cloud Shape Classification with a Simple and Effective Baseline [111.3236030935478]
  評価手法の違い,データ拡張戦略,損失関数などの補助的要因が,性能に大きな違いをもたらすことがわかった。 SimpleViewと呼ばれるプロジェクションベースのメソッドは驚くほどうまく機能します。 ポイントネット++の半分のサイズでありながら、ModelNet40の洗練された最先端メソッドよりも同等かそれ以上の結果が得られる。
  論文  参考訳（メタデータ） (2021-06-09T18:01:11Z)
• Structure-Consistent Weakly Supervised Salient Object Detection with Local Saliency Coherence [14.79639149658596]
  本論文では,スクリブルアノテーションによる弱監督オブジェクト検出のための1ラウンドのエンドツーエンドトレーニング手法を提案する。 6つのベンチマークで最新のパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2020-12-08T12:49:40Z)
• Regularized Densely-connected Pyramid Network for Salient Instance Segmentation [73.17802158095813]
  我々は、エンドツーエンドの有能なインスタンスセグメンテーション(SIS)のための新しいパイプラインを提案する。 ディープネットワークにおけるリッチな特徴階層をよりよく活用するために、正規化された高密度接続を提案する。 マスク予測を改善するために,新しいマルチレベルRoIAlignベースのデコーダを導入し,多レベル特徴を適応的に集約する。
  論文  参考訳（メタデータ） (2020-08-28T00:13:30Z)
• Label Decoupling Framework for Salient Object Detection [157.96262922808245]
  近年の手法は, 畳み込みネットワーク(FCN)からの多層的特徴の集約と, エッジ情報の導入に重点を置いている。 ラベルデカップリング手順と機能相互作用ネットワーク(FIN)からなるラベルデカップリングフレームワーク(LDF)を提案する。 6つのベンチマークデータセットの実験では、LDFはさまざまな評価指標における最先端のアプローチよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2020-08-25T14:23:38Z)
• Image Matching across Wide Baselines: From Paper to Practice [80.9424750998559]
  局所的な特徴とロバストな推定アルゴリズムの包括的なベンチマークを導入する。 パイプラインのモジュール構造は、さまざまなメソッドの容易な統合、構成、組み合わせを可能にします。 適切な設定で、古典的な解決策は依然として芸術の知覚された状態を上回る可能性があることを示す。
  論文  参考訳（メタデータ） (2020-03-03T15:20:57Z)

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。