論文の概要: Learning Accurate Dense Correspondences and When to Trust Them

• arxiv url: http://arxiv.org/abs/2101.01710v2
• Date: Thu, 1 Apr 2021 16:57:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-11 11:33:37.658787
• Title: Learning Accurate Dense Correspondences and When to Trust Them
• Title（参考訳）: 正確な高密度対応の学習と信頼の時期
• Authors: Prune Truong and Martin Danelljan and Luc Van Gool and Radu Timofte
• Abstract要約: 2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
• 参考スコア（独自算出の注目度）: 161.76275845530964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Establishing dense correspondences between a pair of images is an important and general problem. However, dense flow estimation is often inaccurate in the case of large displacements or homogeneous regions. For most applications and down-stream tasks, such as pose estimation, image manipulation, or 3D reconstruction, it is crucial to know when and where to trust the estimated matches. In this work, we aim to estimate a dense flow field relating two images, coupled with a robust pixel-wise confidence map indicating the reliability and accuracy of the prediction. We develop a flexible probabilistic approach that jointly learns the flow prediction and its uncertainty. In particular, we parametrize the predictive distribution as a constrained mixture model, ensuring better modelling of both accurate flow predictions and outliers. Moreover, we develop an architecture and training strategy tailored for robust and generalizable uncertainty prediction in the context of self-supervised training. Our approach obtains state-of-the-art results on multiple challenging geometric matching and optical flow datasets. We further validate the usefulness of our probabilistic confidence estimation for the task of pose estimation. Code and models are available at https://github.com/PruneTruong/PDCNet.
• Abstract（参考訳）: 一対の画像間の密接な対応を確立することは重要かつ一般的な問題である。 しかし, 大変位や均質領域の場合, 密集流の推定は不正確であることが多い。 ポーズ推定や画像操作,3D再構成など,ほとんどのアプリケーションやダウンストリームタスクでは,いつ,どこで推定されたマッチを信頼するかを知ることが重要です。 本研究では,2つの画像間の密な流れ場と,予測の信頼性と精度を示す頑健な画素信頼度マップを推定することを目的とした。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 特に、予測分布を制約付き混合モデルとしてパラメトリ化し、正確な流れ予測と外れ値の両方をより良くモデル化する。 さらに,自己監督訓練の文脈において,堅牢で一般化可能な不確実性予測に適したアーキテクチャとトレーニング戦略を開発した。 本手法は,複数の挑戦的幾何マッチングとオプティカルフローデータセットの最先端結果を得る。 さらに,ポーズ推定タスクにおける確率的信頼度推定の有用性を検証した。 コードとモデルはhttps://github.com/prunetruong/pdcnetで入手できる。

関連論文リスト

• Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
  近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。 我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。 限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
  論文  参考訳（メタデータ） (2023-11-30T18:59:44Z)
• Investigating Low Data, Confidence Aware Image Prediction on Smooth Repetitive Videos using Gaussian Processes [25.319133815064557]
  我々は、非常に少ないトレーニングデータから解釈可能な信頼境界を持つ画像列の将来の画像を予測する問題に焦点をあてる。 逐次予測画像上で確率分布を生成し、時間を通して不確実性を伝播し、予測に対する信頼度を生成する。 衛星画像から歩行者の流れや気象パターンを予測することで,実世界のデータに対するアプローチの能力を実証する。
  論文  参考訳（メタデータ） (2023-07-20T22:35:27Z)
• Birds of a Feather Trust Together: Knowing When to Trust a Classifier via Adaptive Neighborhood Aggregation [30.34223543030105]
  我々は、NeighborAggがアダプティブ近隣アグリゲーションを介して2つの重要な情報を利用する方法を示す。 また, 誤り検出の密接な関連課題へのアプローチを拡張し, 偽陰性境界に対する理論的カバレッジを保証する。
  論文  参考訳（メタデータ） (2022-11-29T18:43:15Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• Improving the Reliability for Confidence Estimation [16.952133489480776]
  信頼度推定は、デプロイ中のモデルの予測出力の信頼性を評価することを目的としたタスクである。 これまでの研究は、信頼度推定モデルが持つべき2つの重要な特性を概説してきた。 信頼度推定モデルにおいて、両方の品質を同時に改善できるメタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-13T06:34:23Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)
• Calibrated Adversarial Refinement for Stochastic Semantic Segmentation [5.849736173068868]
  本稿では,各予測に関連付けられた確率が,その根拠となる真偽の正しさを反映する,セマンティックマップ上の校正された予測分布を学習するための戦略を提案する。 マルチグレーダのLIDCデータセットと、注入曖昧さのあるCityscapesデータセットに対して、最先端の成果を達成し、アプローチの汎用性と堅牢性を実証する。 本研究は,おもちゃの回帰データセットを用いて実験することにより,校正された予測分布の学習を必要とする他のタスクにコア設計を適用することができることを示す。
  論文  参考訳（メタデータ） (2020-06-23T16:39:59Z)

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。