論文の概要: Homography Estimation with Convolutional Neural Networks Under Conditions of Variance

• arxiv url: http://arxiv.org/abs/2010.01041v2
• Date: Thu, 22 Oct 2020 16:05:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 01:50:39.231581
• Title: Homography Estimation with Convolutional Neural Networks Under Conditions of Variance
• Title（参考訳）: 変動条件下での畳み込みニューラルネットワークによるホログラフィー推定
• Authors: David Niblick, Avinash Kak
• Abstract要約: 畳み込みニューラルネットワーク(CNN)を用いた最近の2つの手法の性能解析を行った。 CNNは、ノイズに対してより堅牢であるように訓練できるが、ノイズのないケースでは精度が低い。 我々は,CNNを特定の音の大きさに訓練すると,CNNが最高の性能を示す騒音レベルに対して,Goldilocks Zoneが生じることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Planar homography estimation is foundational to many computer vision problems, such as Simultaneous Localization and Mapping (SLAM) and Augmented Reality (AR). However, conditions of high variance confound even the state-of-the-art algorithms. In this report, we analyze the performance of two recently published methods using Convolutional Neural Networks (CNNs) that are meant to replace the more traditional feature-matching based approaches to the estimation of homography. Our evaluation of the CNN based methods focuses particularly on measuring the performance under conditions of significant noise, illumination shift, and occlusion. We also measure the benefits of training CNNs to varying degrees of noise. Additionally, we compare the effect of using color images instead of grayscale images for inputs to CNNs. Finally, we compare the results against baseline feature-matching based homography estimation methods using SIFT, SURF, and ORB. We find that CNNs can be trained to be more robust against noise, but at a small cost to accuracy in the noiseless case. Additionally, CNNs perform significantly better in conditions of extreme variance than their feature-matching based counterparts. With regard to color inputs, we conclude that with no change in the CNN architecture to take advantage of the additional information in the color planes, the difference in performance using color inputs or grayscale inputs is negligible. About the CNNs trained with noise-corrupted inputs, we show that training a CNN to a specific magnitude of noise leads to a "Goldilocks Zone" with regard to the noise levels where that CNN performs best.
• Abstract（参考訳）: 平面ホモグラフィ推定は、同時ローカライゼーションとマッピング(slam)や拡張現実(ar)など、多くのコンピュータビジョン問題の基礎となっている。 しかし、高分散条件は最先端のアルゴリズムでさえ矛盾する。 本稿では,より伝統的な特徴マッチングに基づくホモグラフィー推定手法を置き換えることを目的とした,畳み込みニューラルネットワーク(CNN)を用いた2つの手法の性能解析を行う。 提案手法の評価は, 有意な騒音, 照明シフト, 咬合の条件下での性能を測定することに焦点を当てた。 また、CNNを様々な騒音レベルに訓練する利点も測定する。 さらに,カラー画像の入力にグレースケール画像の代わりにカラー画像を使うことの効果をcnnと比較した。 最後に,SIFT,SURF,ORBを用いたベースライン特徴マッチングに基づくホモグラフィ推定法との比較を行った。 CNNは、ノイズに対してより堅牢であるように訓練できるが、ノイズのないケースでは精度が低い。 さらに、CNNは、特徴マッチングベースのものよりも、極端に分散した条件で大幅に性能が向上する。 カラー入力に関しては,カラープレーンにおける付加情報を利用するcnnアーキテクチャの変更がなければ,カラー入力やグレースケール入力による性能の差は無視できると結論づけた。 ノイズ破壊入力を訓練したCNNについて,CNNを特定の音の大きさに訓練すると,CNNが最高の性能を示す騒音レベルが「ゴルディロックゾーン」となることを示す。

関連論文リスト

• Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
  視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。 本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。 実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
  論文  参考訳（メタデータ） (2022-10-26T15:21:39Z)
• A study on the deviations in performance of FNNs and CNNs in the realm of grayscale adversarial images [0.3437656066916039]
  ノイズ摂動を伴う画像の分類において,ニューラルネットワークはより精度の低い傾向を示す。 本研究では,手書き桁データセットであるMNISTを用いて,1と2の隠蔽層を持つFNNと3,4,6,8の畳み込みを持つCNNを用いて,それらの精度を分析した。 FNNは、ノイズの強度に関係なく、分類精度が85%以上であることを示した。
  論文  参考訳（メタデータ） (2022-09-17T06:25:14Z)
• BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks [65.2021953284622]
  CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。 結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
  論文  参考訳（メタデータ） (2021-03-14T20:43:19Z)
• The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
  本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。 本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
  論文  参考訳（メタデータ） (2021-01-29T07:46:39Z)
• Deep Universal Blind Image Denoising [26.77629755630694]
  深層畳み込みニューラルネットワーク(cnns)は、大規模な合成データセットを組み込むことで、画像のノイズ化に大きな成功を収めている。 ベイズ的視点に基づく両手法の利点を生かしたCNNに基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-01-18T11:49:21Z)
• Color Channel Perturbation Attacks for Fooling Convolutional Neural Networks and A Defense Against Such Attacks [16.431689066281265]
  Conalvolutional Neural Networks(CNN)は、強力なデータ依存型階層的特徴抽出方法として登場した。 ネットワークがトレーニングサンプルを非常に容易に満たしていることが観察される。 CNNを騙すために,カラーチャネル摂動(CCP)攻撃を提案する。
  論文  参考訳（メタデータ） (2020-12-20T11:35:29Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• Shape Defense Against Adversarial Attacks [47.64219291655723]
  人間は物体を認識するために形状情報に大きく依存している。逆に、畳み込みニューラルネットワーク(CNN)はテクスチャに偏っている。 本稿では, 形状バイアスをCNNに組み込んで, 頑健性を向上させる方法について検討する。 2つのアルゴリズムが提案され、エッジが適度な知覚不能な摂動に不変であるという観測に基づいている。
  論文  参考訳（メタデータ） (2020-08-31T03:23:59Z)
• Approximation and Non-parametric Estimation of ResNet-type Convolutional Neural Networks [52.972605601174955]
  本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。 Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
  論文  参考訳（メタデータ） (2019-03-24T19:42:39Z)

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。