論文の概要: Supporting large-scale image recognition with out-of-domain samples
- arxiv url: http://arxiv.org/abs/2010.01650v1
- Date: Sun, 4 Oct 2020 18:44:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 03:25:06.804913
- Title: Supporting large-scale image recognition with out-of-domain samples
- Title(参考訳): 領域外サンプルを用いた大規模画像認識支援
- Authors: Christof Henkel and Philipp Singer
- Abstract要約: 本稿では,インスタンスレベルの認識を行うための効率的なエンドツーエンド手法を提案する。
我々は、付加的な角縁損失で訓練された畳み込みニューラルネットワークを用いて、高次元の特徴空間に画像を埋め込む。
次に、領域外画像との類似性を利用した予測とフィルタノイズを効率よく再現する。
- 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: This article presents an efficient end-to-end method to perform
instance-level recognition employed to the task of labeling and ranking
landmark images. In a first step, we embed images in a high dimensional feature
space using convolutional neural networks trained with an additive angular
margin loss and classify images using visual similarity. We then efficiently
re-rank predictions and filter noise utilizing similarity to out-of-domain
images. Using this approach we achieved the 1st place in the 2020 edition of
the Google Landmark Recognition challenge.
- Abstract(参考訳): 本稿では,ランドマーク画像のラベル付けとランキング付けに使用される,効率的なエンドツーエンド認識手法を提案する。
第1段階では、加算角マージン損失で訓練された畳み込みニューラルネットワークを用いて高次元特徴空間に画像を埋め込み、視覚的類似性を用いて画像を分類する。
次に、領域外画像との類似性を利用した予測とフィルタノイズを効率よく再現する。
このアプローチを使用することで、2020年のGoogle Landmark Recognition Challengeで1位を獲得しました。
関連論文リスト
- A Generative Approach for Wikipedia-Scale Visual Entity Recognition [56.55633052479446]
与えられたクエリ画像をWikipediaにある600万の既存エンティティの1つにマッピングするタスクに対処する。
本稿では,対象エンティティを識別する「意味的・識別的コード」の自動復号化を学習する,新しい生成エンティティ認識フレームワークを紹介する。
論文 参考訳(メタデータ) (2024-03-04T13:47:30Z) - Learning to Annotate Part Segmentation with Gradient Matching [58.100715754135685]
本稿では,事前学習したGANを用いて,高品質な画像を生成することで,半教師付き部分分割タスクに対処することに焦点を当てる。
特に、アノテータ学習を学習から学習までの問題として定式化する。
提案手法は,実画像,生成された画像,さらには解析的に描画された画像を含む,幅広いラベル付き画像からアノテータを学習可能であることを示す。
論文 参考訳(メタデータ) (2022-11-06T01:29:22Z) - LEAD: Self-Supervised Landmark Estimation by Aligning Distributions of
Feature Similarity [49.84167231111667]
自己監督型ランドマーク検出における既存の研究は、画像から高密度(ピクセルレベルの)特徴表現を学習することに基づいている。
自己教師付き方式で高密度同変表現の学習を強化するアプローチを提案する。
機能抽出器にそのような先行性があることは,アノテーションの数が大幅に制限されている場合でも,ランドマーク検出に役立ちます。
論文 参考訳(メタデータ) (2022-04-06T17:48:18Z) - Contextual Similarity Aggregation with Self-attention for Visual
Re-ranking [96.55393026011811]
本稿では,自己注意を伴う文脈的類似性集約による視覚的再ランク付け手法を提案する。
提案手法の汎用性と有効性を示すため,4つのベンチマークデータセットの総合的な実験を行った。
論文 参考訳(メタデータ) (2021-10-26T06:20:31Z) - Region-level Active Learning for Cluttered Scenes [60.93811392293329]
本稿では,従来の画像レベルのアプローチとオブジェクトレベルのアプローチを一般化した領域レベルのアプローチに仮定する新たな戦略を提案する。
その結果,本手法はラベル付けの労力を大幅に削減し,クラス不均衡や散らかったシーンを生かしたリアルなデータに対する希少なオブジェクト検索を改善することが示唆された。
論文 参考訳(メタデータ) (2021-08-20T14:02:38Z) - Pseudo Pixel-level Labeling for Images with Evolving Content [5.573543601558405]
画像の手動アノテーションの労力を削減するために,擬似ピクセルレベルのラベル生成手法を提案する。
VGGとResNetのバックボーンを用いた2つのセマンティックセグメンテーションモデルを、擬似ラベリング法と最先端手法を用いてラベル付けした画像上で学習する。
以上の結果から, トレーニングプロセスにおいて, 最先端手法を用いて生成したデータの代わりに擬似ラベルを用いることで, VGGおよびResNetに基づくセマンティックセマンティックセグメンテーションモデルの平均IoUと周波数重み付きIoUを3.36%, 2.58%, 10倍改善することがわかった。
論文 参考訳(メタデータ) (2021-05-20T18:14:19Z) - Semantic similarity metrics for learned image registration [10.355938901584565]
画像登録のための意味的類似度尺度を提案する。
このアプローチは、学習に基づく登録モデルの最適化を促進するデータセット固有の特徴を学習する。
自動エンコーダを用いた非監視的アプローチと、補助セグメンテーションデータを用いた半監督的アプローチの両方をトレーニングし、画像登録のための意味的特徴を抽出します。
論文 参考訳(メタデータ) (2021-04-20T15:23:58Z) - Semantic Segmentation with Generative Models: Semi-Supervised Learning
and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。
我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。
ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文 参考訳(メタデータ) (2021-04-12T21:41:25Z) - Two-stage Discriminative Re-ranking for Large-scale Landmark Retrieval [24.630337893857]
大規模ランドマーク画像検索のための効率的なパイプラインを提案する。
我々のアプローチは、コサインソフトマックスロスで訓練された畳み込みニューラルネットワークを用いて、特徴空間に画像を埋め込むことに基づいている。
私たちの方法では、Google Landmark Retrieval 2019チャレンジで1位、KaggleでのGoogle Landmark Recognition 2019チャレンジで3位を獲得しました。
論文 参考訳(メタデータ) (2020-03-25T04:23:18Z)
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。