論文の概要: Object-centered image stitching
- arxiv url: http://arxiv.org/abs/2011.11789v1
- Date: Mon, 23 Nov 2020 23:20:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 02:48:00.747219
- Title: Object-centered image stitching
- Title（参考訳）: 物体中心画像のステッチング
- Authors: Charles Herrmann and Chen Wang and Richard Strong Bowen and Emil
Keyder and Ramin Zabih
- Abstract要約: 画像ステッチは通常、登録、シーム発見、ブレンディングの3つのフェーズに分けられる。
ここでは、オブジェクトが収穫されたり、省略されたり、複製されたりする際に、このアプローチの最も問題となる障害が発生することを観察する。
我々は、オブジェクト検出の最近の進歩を活用して、オブジェクト中心のアプローチを問題に適用する。
- 参考スコア（独自算出の注目度）: 15.850092529468004
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image stitching is typically decomposed into three phases: registration,
which aligns the source images with a common target image; seam finding, which
determines for each target pixel the source image it should come from; and
blending, which smooths transitions over the seams. As described in [1], the
seam finding phase attempts to place seams between pixels where the transition
between source images is not noticeable. Here, we observe that the most
problematic failures of this approach occur when objects are cropped, omitted,
or duplicated. We therefore take an object-centered approach to the problem,
leveraging recent advances in object detection [2,3,4]. We penalize candidate
solutions with this class of error by modifying the energy function used in the
seam finding stage. This produces substantially more realistic stitching
results on challenging imagery. In addition, these methods can be used to
determine when there is non-recoverable occlusion in the input data, and also
suggest a simple evaluation metric that can be used to evaluate the output of
stitching algorithms.
- Abstract（参考訳）: 画像縫合は通常、3つのフェーズに分解される: 登録: ソースイメージを共通のターゲット画像と整列する シーム発見: ターゲット画像の各ピクセルが出身するべきソース画像を決定する ブレンディング: シーム上の遷移を円滑にする ブレンディング。
[1]で述べたように、シーム検出フェーズは、ソース画像間の遷移が目立たないピクセル間でシームを配置しようとする。
ここでは、オブジェクトを収穫したり、省略したり、複製したりする際に、このアプローチの最も問題となる障害が発生することを観察する。
そこで我々は,オブジェクト検出の最近の進歩を生かして,この問題に対してオブジェクト中心のアプローチをとる [2,3,4]。
我々は、シーム発見段階で使われるエネルギー関数を変更することで、このタイプの誤差で候補解をペナルティ化する。
これにより、挑戦的な画像のより現実的な縫合結果が得られる。
さらに、これらの手法は、入力データに回復不能な咬合があるかどうかを判定するために使用することができ、また、ステッチングアルゴリズムの出力を評価するのに使用できる簡易な評価基準を提案する。
関連論文リスト
- DeepClean: Integrated Distortion Identification and Algorithm Selection for Rectifying Image Corruptions [1.8024397171920883]
画像歪みの自動分類と修正のための2段階逐次計画手法を提案する。
提案手法の利点は、入力画像に条件付けされた動的再構成と、推論時に未確認候補アルゴリズムの一般化である。
論文 参考訳（メタデータ） (2024-07-23T08:57:11Z) - Depth-aware Panoptic Segmentation [1.4170154234094008]
本稿では, パンオプティカルセグメンテーションのための新しいCNN手法を提案する。
そこで本研究では,同じ物体に対して画素の割り当てを行う深度対応ダイス損失項を提案する。
Cityscapesデータセットで行った実験では、提案手法が誤って1つのインスタンスにマージされたオブジェクトの数を減少させることを示した。
論文 参考訳（メタデータ） (2024-03-21T08:06:49Z) - DVMNet: Computing Relative Pose for Unseen Objects Beyond Hypotheses [59.51874686414509]
現在のアプローチは、多数の離散的なポーズ仮説を持つ連続的なポーズ表現を近似している。
本稿では,DVMNet(Deep Voxel Matching Network)を提案する。
提案手法は,最先端の手法に比べて計算コストの低い新しいオブジェクトに対して,より正確なポーズ推定を行う。
論文 参考訳（メタデータ） (2024-03-20T15:41:32Z) - A 2D Sinogram-Based Approach to Defect Localization in Computed
Tomography [3.4916237834391874]
画像再構成に頼らずにオブジェクト内の欠陥を特定し解析するための総合的な3段階深層学習アルゴリズムを提案する。
提案手法は, 512画素幅の検出器上での欠陥検出における平均位置誤差1.3ピクセルを用いて, シミュレーションデータ上での92.02%のユニオンの切断を実現する。
論文 参考訳（メタデータ） (2024-01-29T12:20:26Z) - Generalizable Person Re-Identification via Viewpoint Alignment and
Fusion [74.30861504619851]
本研究は,3次元高密度ポーズ推定モデルとテクスチャマッピングモジュールを用いて,歩行者画像を標準視像にマッピングすることを提案する。
テクスチャマッピングモジュールの不完全性のため、標準ビュー画像は、原画像から識別的な詳細手がかりを失う可能性がある。
提案手法は,各種評価設定における既存手法よりも優れた性能が得られることを示す。
論文 参考訳（メタデータ） (2022-12-05T16:24:09Z) - Boosting Few-shot Fine-grained Recognition with Background Suppression
and Foreground Alignment [53.401889855278704]
FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。
本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。
複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
論文 参考訳（メタデータ） (2022-10-04T07:54:40Z) - An End-to-End Approach for Seam Carving Detection using Deep Neural
Networks [0.0]
シーム・カービング(Seam Carving)は、画像形状ではなく、その内容に基づいて画像の縮小と拡大の両面を縮小する計算方法である。
本稿では,自動シーム彫刻検出の課題に対処するためのエンドツーエンドアプローチを提案する。
論文 参考訳（メタデータ） (2022-03-05T12:53:55Z) - 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) - DeepI2P: Image-to-Point Cloud Registration via Deep Classification [71.3121124994105]
DeepI2Pは、イメージとポイントクラウドの間のクロスモダリティ登録のための新しいアプローチです。
本手法は,カメラとライダーの座標フレーム間の相対的剛性変換を推定する。
登録問題を分類および逆カメラ投影最適化問題に変換することで難易度を回避する。
論文 参考訳（メタデータ） (2021-04-08T04:27:32Z) - Learning to Estimate Hidden Motions with Global Motion Aggregation [71.12650817490318]
閉塞は、局所的な証拠に依存する光学フローアルゴリズムに重大な課題をもたらす。
最初の画像でピクセル間の長距離依存性を見つけるために,グローバルモーションアグリゲーションモジュールを導入する。
遮蔽領域における光流量推定が非遮蔽領域における性能を損なうことなく大幅に改善できることを実証した。
論文 参考訳（メタデータ） (2021-04-06T10:32:03Z) - Pixel-wise Anomaly Detection in Complex Driving Scenes [30.884375526254836]
本稿では,不確実性マップを用いて異常検出を改善する画素方向異常検出フレームワークを提案する。
私たちのアプローチは、すでにトレーニング済みのセグメンテーションネットワークの一般的なフレームワークとして機能します。
さまざまな異常データセットを対象としたトップ2パフォーマンスは、異なる異常インスタンスを扱うアプローチの堅牢性を示している。
論文 参考訳（メタデータ） (2021-03-09T14:26:20Z)
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。