論文の概要: Texture image classification based on a pseudo-parabolic diffusion model
- arxiv url: http://arxiv.org/abs/2011.07173v2
- Date: Sun, 24 Jan 2021 00:39:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 14:02:57.391890
- Title: Texture image classification based on a pseudo-parabolic diffusion model
- Title（参考訳）: 擬似放物型拡散モデルに基づくテクスチャ画像の分類
- Authors: Jardel Vieira, Eduardo Abreu, Joao B. Florindo
- Abstract要約: 提案手法は、確立されたベンチマークテクスチャデータベースの分類と、植物種認識の実践的な課題について検証する。
画像の同種領域内では、擬似放物的演算子が、うる限りノイズの多い詳細を滑らかにすることができることで、優れた性能を大いに正当化することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work proposes a novel method based on a pseudo-parabolic diffusion
process to be employed for texture recognition. The proposed operator is
applied over a range of time scales giving rise to a family of images
transformed by nonlinear filters. Therefore each of those images are encoded by
a local descriptor (we use local binary patterns for that purpose) and they are
summarized by a simple histogram, yielding in this way the image feature
vector. The proposed approach is tested on the classification of well
established benchmark texture databases and on a practical task of plant
species recognition. In both cases, it is compared with several
state-of-the-art methodologies employed for texture recognition. Our proposal
outperforms those methods in terms of classification accuracy, confirming its
competitiveness. The good performance can be justified to a large extent by the
ability of the pseudo-parabolic operator to smooth possibly noisy details
inside homogeneous regions of the image at the same time that it preserves
discontinuities that convey critical information for the object description.
Such results also confirm that model-based approaches like the proposed one can
still be competitive with the omnipresent learning-based approaches, especially
when the user does not have access to a powerful computational structure and a
large amount of labeled data for training.
- Abstract（参考訳）: 本研究では,テクスチャ認識に使用される擬似放物的拡散過程に基づく新しい手法を提案する。
提案した演算子は,非線形フィルタによって変換された画像群を生じさせる,様々な時間スケールで適用される。
したがって、それぞれの画像はローカルディスクリプタによってエンコードされ(その目的のためにローカルバイナリパターンを使用します)、単純なヒストグラムで要約され、画像の特徴ベクトルになります。
提案手法は,よく確立されたベンチマークテクスチャデータベースの分類と,植物種認識の実用的課題について検証した。
どちらの場合も、テクスチャ認識に使用される最先端の手法と比較される。
本提案では,これらの手法を分類精度で評価し,その競争性を確認した。
良好な性能は、疑似放物演算子が画像の均質な領域内で潜在的にノイズの多い詳細を平滑化できると同時に、オブジェクト記述に重要な情報を伝達する不連続性を保持することによって、大いに正当化することができる。
また,提案手法のようなモデルベースアプローチは,特にユーザが強力な計算構造や大量のラベル付きデータにアクセスできない場合において,非正規の学習ベースアプローチと競合する可能性があることも確認した。
関連論文リスト
- Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。
逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。
我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
論文 参考訳（メタデータ） (2024-06-19T08:07:14Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳（メタデータ） (2021-12-05T04:36:09Z) - Data Generation using Texture Co-occurrence and Spatial Self-Similarity
for Debiasing [6.976822832216875]
本稿では, 反対ラベル付き画像のテクスチャ表現を用いて, 付加画像を明示的に生成する新しいデバイアス手法を提案する。
新たに生成された各画像は、反対ラベルのターゲット画像からテクスチャを転送しながら、ソース画像から類似した空間情報を含む。
本モデルでは,生成画像のテクスチャがターゲットと類似しているか否かを決定するテクスチャ共起損失と,生成画像とソース画像間の空間的詳細がよく保存されているかどうかを決定する空間的自己相似損失とを統合する。
論文 参考訳（メタデータ） (2021-10-15T08:04:59Z) - An application of a pseudo-parabolic modeling to texture image
recognition [0.0]
偏微分方程式モデルを用いたテクスチャ画像認識のための新しい手法を提案する。
擬似パラボリックなBuckley-Leverett方程式を用いて、デジタル画像表現のダイナミクスを提供し、時間とともに進化するそれらの画像から局所的な記述子を収集する。
論文 参考訳（メタデータ） (2021-02-09T18:08:42Z) - Visualization of Supervised and Self-Supervised Neural Networks via
Attribution Guided Factorization [87.96102461221415]
クラスごとの説明性を提供するアルゴリズムを開発した。
実験の広範なバッテリーでは、クラス固有の可視化のための手法の能力を実証する。
論文 参考訳（メタデータ） (2020-12-03T18:48:39Z) - Region Comparison Network for Interpretable Few-shot Image
Classification [97.97902360117368]
新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。
本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。
また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
論文 参考訳（メタデータ） (2020-09-08T07:29:05Z) - Data-driven Meta-set Based Fine-Grained Visual Classification [61.083706396575295]
本稿では, ノイズの多いWeb画像に対して, 微粒化認識のためのデータ駆動型メタセットベースアプローチを提案する。
具体的には、少量のクリーンなメタセットでガイドされ、メタラーニング方式で選択ネットを訓練し、分布内および分布外ノイズ画像の識別を行う。
論文 参考訳（メタデータ） (2020-08-06T03:04:16Z) - Hallucinating Saliency Maps for Fine-Grained Image Classification for
Limited Data Domains [27.91871214060683]
画像分類を改善するために,明示的なサリエンシマップを必要としないアプローチを提案する。
提案手法は,サリエンシマップを明示的に提供した場合と同じような結果が得られることを示す。
また,サリエンシ基盤データなしでトレーニングされたサリエンシ推定手法は,実画像サリエンシベンチマーク(Toronto)において競合する結果が得られることを示した。
論文 参考訳（メタデータ） (2020-07-24T15:08:55Z) - A cellular automata approach to local patterns for texture recognition [3.42658286826597]
本稿では, セルオートマトンによる複雑な物体の表現力と, テクスチャ解析における局所記述子の既知の有効性を組み合わせたテクスチャ記述法を提案する。
我々の提案は、特に現実世界の問題において、他の古典的、最先端のアプローチよりも優れています。
論文 参考訳（メタデータ） (2020-07-15T03:25:51Z) - Reorganizing local image features with chaotic maps: an application to
texture recognition [0.0]
テクスチャ認識のためのカオスベースの局所記述子を提案する。
画像を3次元ユークリッド空間にマッピングし、この3次元構造上のカオス写像を反復し、元の像に戻す。
本手法の有効性をベンチマークデータベースの分類と,葉面のテクスチャに基づくブラジルの植物種の同定で検証した。
論文 参考訳（メタデータ） (2020-07-15T03:15:01Z) - Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。
このようなペア関係を学習するための反復アルゴリズムを提案する。
本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
論文 参考訳（メタデータ） (2020-02-19T10:32:03Z)
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。