論文の概要: Learnable Motion Coherence for Correspondence Pruning
- arxiv url: http://arxiv.org/abs/2011.14563v1
- Date: Mon, 30 Nov 2020 05:57:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-06 14:49:59.301856
- Title: Learnable Motion Coherence for Correspondence Pruning
- Title(参考訳): 対応プルーニングのための学習可能な運動コヒーレンス
- Authors: Yuan Liu, Lingjie Liu, Cheng Lin, Zhen Dong, Wenping Wang
- Abstract要約: 我々は,ラプラシアン運動コヒーレンスネットワーク (LMCNet) というネットワークを導入し,通信プルーニングのための動作コヒーレンス特性を学習する。
LMCNetは、ダイナミックシーンの相対的なポーズ推定と対応性において、技術状況よりも優れた性能を有することを示す。
- 参考スコア(独自算出の注目度): 38.501350323976865
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motion coherence is an important clue for distinguishing true correspondences
from false ones. Modeling motion coherence on sparse putative correspondences
is challenging due to their sparsity and uneven distributions. Existing works
on motion coherence are sensitive to parameter settings and have difficulty in
dealing with complex motion patterns. In this paper, we introduce a network
called Laplacian Motion Coherence Network (LMCNet) to learn motion coherence
property for correspondence pruning. We propose a novel formulation of fitting
coherent motions with a smooth function on a graph of correspondences and show
that this formulation allows a closed-form solution by graph Laplacian. This
closed-form solution enables us to design a differentiable layer in a learning
framework to capture global motion coherence from putative correspondences. The
global motion coherence is further combined with local coherence extracted by
another local layer to robustly detect inlier correspondences. Experiments
demonstrate that LMCNet has superior performances to the state of the art in
relative camera pose estimation and correspondences pruning of dynamic scenes.
- Abstract(参考訳): 動きの一貫性は、真の対応と偽の対応を区別するための重要な手がかりである。
スパースな対応の運動コヒーレンスをモデル化することは、そのスパース性と不均一分布のため困難である。
動きコヒーレンスに関する既存の研究はパラメータ設定に敏感であり、複雑な動きパターンを扱うのに困難である。
本稿では,ラプラシアン運動コヒーレンスネットワーク(lmcnet)と呼ばれるネットワークを導入し,対応プラニングの動作コヒーレンス特性を学習する。
対応グラフ上の滑らかな関数を持つコヒーレント運動の新たな定式化を提案し、この定式化がグラフラプラシアンによる閉形式解を可能にすることを示す。
このクローズドフォームソリューションは,学習フレームワークにおける微分可能なレイヤの設計を可能にし,仮定対応からグローバル動作コヒーレンスをキャプチャする。
グローバルな動きコヒーレンスはさらに、他の局所層によって抽出された局所コヒーレンスと組み合わせて、不整合性対応を堅牢に検出する。
実験により、LCCNetは、ダイナミックシーンの相対的なポーズ推定と対応性において、技術の状態よりも優れた性能を有することが示された。
関連論文リスト
- MOCHA: Real-Time Motion Characterization via Context Matching [18.56121622774847]
MOCHAは、ターゲットキャラクタから入力ソースモーションに動作スタイルと身体比の両方を転送する、新しいオンラインモーションキャラクタリゼーションフレームワークである。
本フレームワークは,スパース入力のみによるキャラクタリゼーションやリアルタイムなキャラクタリゼーションなど,さまざまなアプリケーションに容易に対応できる。
論文 参考訳(メタデータ) (2023-10-16T05:21:22Z) - Shuffled Autoregression For Motion Interpolation [53.61556200049156]
この作業は、モーションタスクのためのディープラーニングソリューションを提供することを目的としている。
本稿では,自己回帰を任意の(シャッフルされた)順序で生成するために拡張する,emphShuffled AutoRegressionと呼ばれる新しいフレームワークを提案する。
また,3つのステージを終端から終端の時空間運動変換器に組み込んだ依存グラフの構築手法を提案する。
論文 参考訳(メタデータ) (2023-06-10T07:14:59Z) - JNMR: Joint Non-linear Motion Regression for Video Frame Interpolation [47.123769305867775]
ビデオフレーム(VFI)は、双方向の歴史的参照から学習可能な動きを歪曲することでフレームを生成することを目的としている。
我々は、フレーム間の複雑な動きをモデル化するために、VFIをJNMR(Joint Non-linear Motion Regression)戦略として再構成する。
その結果, 関節運動の退行性は, 最先端の方法と比較して有意に向上した。
論文 参考訳(メタデータ) (2022-06-09T02:47:29Z) - Event-based Motion Segmentation by Cascaded Two-Level Multi-Model
Fitting [44.97191206895915]
独立に動く物体を単眼イベントカメラで識別するためのケースド2レベル多モデルフィッティング法を提案する。
動作パターンの異なる実世界のシーンにおいて,本手法の有効性と汎用性を示す実験を行った。
論文 参考訳(メタデータ) (2021-11-05T12:59:41Z) - Motion Deblurring with Real Events [50.441934496692376]
本稿では,イベントベースの動作を自己教師型で記述するエンド・ツー・エンドの学習フレームワークを提案する。
実世界のイベントは、データ不整合によるパフォーマンス劣化を軽減するために利用される。
論文 参考訳(メタデータ) (2021-09-28T13:11:44Z) - Event-based Motion Segmentation with Spatio-Temporal Graph Cuts [51.17064599766138]
イベントベースカメラで取得したオブジェクトを独立に識別する手法を開発した。
この方法は、予想される移動物体の数を事前に決定することなく、技術状態よりも同等以上の性能を発揮する。
論文 参考訳(メタデータ) (2020-12-16T04:06:02Z) - GOCor: Bringing Globally Optimized Correspondence Volumes into Your
Neural Network [176.3781969089004]
特徴相関層は、画像ペア間の密接な対応を含むコンピュータビジョン問題において、重要なニューラルネットワークモジュールとして機能する。
我々は,特徴相関層の直接置換として機能する,完全に微分可能な密マッチングモジュール GOCor を提案する。
本手法は,幾何マッチング,光学フロー,密接なセマンティックマッチングのタスクにおいて,特徴相関層を著しく上回っている。
論文 参考訳(メタデータ) (2020-09-16T17:33:01Z) - Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable
Dynamical Systems [74.80320120264459]
本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。
複素運動は安定な力学系のロールアウトとして符号化される。
このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
論文 参考訳(メタデータ) (2020-05-27T03:51:57Z)
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。