論文の概要: DUT: Learning Video Stabilization by Simply Watching Unstable Videos

• arxiv url: http://arxiv.org/abs/2011.14574v2
• Date: Tue, 1 Dec 2020 02:40:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-06 14:49:18.530660
• Title: DUT: Learning Video Stabilization by Simply Watching Unstable Videos
• Title（参考訳）: DUT:不安定なビデオを見るだけでビデオの安定化を学べる
• Authors: Yufei Xu, Jing Zhang, Stephen J. Maybank, Dacheng Tao
• Abstract要約: 本稿では,Deep Unsupervised Trajectory-based stabilization framework (DUT)を提案する。 DUTは、教師なしのディープラーニング方式で軌道を明示的に推定し、滑らかにすることで、不安定なビデオを安定化する最初の試みである。 公開ベンチマーク実験の結果、DUTは定性的にも量的にも代表的最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 86.88635774560017
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a Deep Unsupervised Trajectory-based stabilization framework (DUT) in this paper. Traditional stabilizers focus on trajectory-based smoothing, which is controllable but fragile in occluded and textureless cases regarding the usage of hand-crafted features. On the other hand, previous deep video stabilizers directly generate stable videos in a supervised manner without explicit trajectory estimation, which is robust but less controllable and the appropriate paired data are hard to obtain. To construct a controllable and robust stabilizer, DUT makes the first attempt to stabilize unstable videos by explicitly estimating and smoothing trajectories in an unsupervised deep learning manner, which is composed of a DNN-based keypoint detector and motion estimator to generate grid-based trajectories, and a DNN-based trajectory smoother to stabilize videos. We exploit both the nature of continuity in motion and the consistency of keypoints and grid vertices before and after stabilization for unsupervised training. Experiment results on public benchmarks show that DUT outperforms representative state-of-the-art methods both qualitatively and quantitatively.
• Abstract（参考訳）: 本稿では,Deep Unsupervised Trajectory-based stabilization framework (DUT)を提案する。 従来のスタビライザーは、手作りの特徴の使用に関して、制御可能であるが、隠蔽された、テクスチャのないケースでは壊れやすい軌跡ベースの平滑化に焦点を当てている。 一方,従来のディープ・ビデオ・スタビライザは,明示的な軌跡推定を行わず,教師付きで直接安定な映像を生成するが,ロバストだが制御不能であり,適切なペア・データを得るのが困難である。 制御可能でロバストな安定化装置を構築するため、dutは、グリッドベースの軌道を生成するdnnベースのキーポイント検出器とモーション推定器と、動画を安定させるdnnベースの軌道スムーサとからなる教師なしのディープラーニング方式で、軌道を明示的に推定・平滑化することにより、不安定なビデオの安定化を初めて試みる。 運動における連続性の性質と,教師なし学習の安定化前後におけるキーポイントとグリッド頂点の一貫性を両立する。 公開ベンチマーク実験の結果、DUTは定性的かつ定量的に代表的最先端の手法よりも優れていた。

関連論文リスト

• Towards Stable 3D Object Detection [64.49059005467817]
  安定度指数(SI)は3次元検出器の安定性を信頼度、ボックスの定位、範囲、方向で総合的に評価できる新しい指標である。 モデルの安定性向上を支援するため,予測一貫性学習(PCL)と呼ばれる,汎用的で効果的なトレーニング戦略を導入する。 PCLは本質的に、異なるタイムスタンプと拡張の下で同じオブジェクトの予測一貫性を促進し、検出安定性を向上させる。
  論文  参考訳（メタデータ） (2024-07-05T07:17:58Z)
• Learning to Boost the Performance of Stable Nonlinear Systems [0.0]
  クローズドループ安定性保証による性能ブースティング問題に対処する。 本手法は,安定な非線形システムのための性能ブースティング制御器のニューラルネットワーククラスを任意に学習することを可能にする。
  論文  参考訳（メタデータ） (2024-05-01T21:11:29Z)
• GPU-accelerated SIFT-aided source identification of stabilized videos [63.084540168532065]
  我々は、安定化フレームインバージョンフレームワークにおけるグラフィクス処理ユニット(GPU)の並列化機能を利用する。 我々はSIFT機能を活用することを提案する。 カメラのモーメントを推定し 1%の確率で 時間セグメントを識別します 実験により,提案手法の有効性を確認し,必要な計算時間を短縮し,情報源の同定精度を向上させる。
  論文  参考訳（メタデータ） (2022-07-29T07:01:31Z)
• Robust Stability of Neural-Network Controlled Nonlinear Systems with Parametric Variability [2.0199917525888895]
  ニューラルネットワーク制御非線形システムの安定性と安定化性の理論を考案する。 このような頑健な安定化NNコントローラの計算には、安定性保証トレーニング(SGT)も提案されている。
  論文  参考訳（メタデータ） (2021-09-13T05:09:30Z)
• Out-of-boundary View Synthesis Towards Full-Frame Video Stabilization [82.56853587380168]
  ウォーピングベースのビデオ安定器は、各ピクセルの変位とワープフレームを不安定なものから制限することにより、カメラの軌道を円滑にする。 OVSは、既存のワーピングベースの安定化器にプラグアンドプレイモジュールとして統合することができ、安定した結果の収穫率を大幅に改善することができる。
  論文  参考訳（メタデータ） (2021-08-20T08:07:47Z)
• Neural Re-rendering for Full-frame Video Stabilization [144.9918806873405]
  まず,高密度ワープ場を推定し,フルフレーム映像安定化のためのアルゴリズムを提案する。 フルフレーム安定化フレームは、隣接するフレームから歪んだコンテンツを融合することで合成することができる。
  論文  参考訳（メタデータ） (2021-02-11T18:59:45Z)
• Deep Motion Blind Video Stabilization [4.544151613454639]
  この研究は、新しいデータセットの助けを借りて、ビデオ安定化の過度に複雑化した定式化を解消することを目的としている。 より厳密な生成技術を用いて,モーションブラインドフルフレーム映像の安定化学習に成功した。 本手法は,現在利用可能な最速ビデオ安定化方式よりも$sim3times$の高速化を実現する。
  論文  参考訳（メタデータ） (2020-11-19T07:26:06Z)
• Diagnosing and Preventing Instabilities in Recurrent Video Processing [23.39527368516591]
  ビデオの安定性モデルは、長時間の可視化において、推論時に破滅的に失敗する傾向があることを示す。 本稿では,不安定性の引き金に最適化された逆入力シーケンスを生成する診断ツールを提案する。 次に、これらの制約を強制する新しいアルゴリズムであるSRNL(Stable Rank Normalization of the Layers)を導入する。
  論文  参考訳（メタデータ） (2020-10-10T21:39:28Z)
• Robust Model-Free Learning and Control without Prior Knowledge [1.14219428942199]
  本稿では,未知の離散時間線形系を頑健に学習し,安定化するモデルフリー制御アルゴリズムを提案する。 コントローラはシステムダイナミクス、障害、ノイズに関する事前の知識を必要としない。 一般化と簡易性にもかかわらず、制御器はクローズドループ性能がよいことを示すシミュレーション結果で結論を下す。
  論文  参考訳（メタデータ） (2020-10-01T05:43:33Z)
• Learning Stabilizing Controllers for Unstable Linear Quadratic Regulators from a Single Trajectory [85.29718245299341]
  線形2次制御器(LQR)としても知られる2次コストモデルの下で線形制御器を研究する。 楕円形不確実性集合内の全ての系を安定化させる制御器を構成する2つの異なる半定値プログラム(SDP)を提案する。 高い確率で安定化コントローラを迅速に識別できる効率的なデータ依存アルゴリズムであるtextsceXplorationを提案する。
  論文  参考訳（メタデータ） (2020-06-19T08:58:57Z)

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。