論文の概要: Explicit homography estimation improves contrastive self-supervised learning

• arxiv url: http://arxiv.org/abs/2101.04713v1
• Date: Tue, 12 Jan 2021 19:33:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-04 05:51:41.307535
• Title: Explicit homography estimation improves contrastive self-supervised learning
• Title（参考訳）: 対照的な自己教師付き学習を改善する明示的ホモグラフィ推定
• Authors: David Torpey and Richard Klein
• Abstract要約: 本稿では,自己教師付きコントラスト学習パラダイムにおける追加目標として機能するモジュールを提案する。 アフィン変換やホモグラフィのパラメータをレグレッションするためにこのモジュールを組み込むことで、パフォーマンスと学習速度の両方が向上することを示す。
• 参考スコア（独自算出の注目度）: 0.30458514384586394
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The typical contrastive self-supervised algorithm uses a similarity measure in latent space as the supervision signal by contrasting positive and negative images directly or indirectly. Although the utility of self-supervised algorithms has improved recently, there are still bottlenecks hindering their widespread use, such as the compute needed. In this paper, we propose a module that serves as an additional objective in the self-supervised contrastive learning paradigm. We show how the inclusion of this module to regress the parameters of an affine transformation or homography, in addition to the original contrastive objective, improves both performance and learning speed. Importantly, we ensure that this module does not enforce invariance to the various components of the affine transform, as this is not always ideal. We demonstrate the effectiveness of the additional objective on two recent, popular self-supervised algorithms. We perform an extensive experimental analysis of the proposed method and show an improvement in performance for all considered datasets. Further, we find that although both the general homography and affine transformation are sufficient to improve performance and convergence, the affine transformation performs better in all cases.
• Abstract（参考訳）: 典型的なコントラスト自己監督アルゴリズムは、正と負の画像を直接または間接的に対比して監督信号として潜時空間の類似度尺度を用いる。 自己教師付きアルゴリズムの実用性は近年改善されているが,計算処理など,その普及を妨げるボトルネックが依然として残っている。 本稿では,自己教師付きコントラスト学習パラダイムにおける追加目標としてのモジュールを提案する。 このモジュールをアフィン変換やホモグラフィーのパラメータに組み込むことによって、元のコントラスト目的に加えて、パフォーマンスと学習速度を向上することを示す。 重要なことは、この加群がアフィン変換の様々な成分に不変性を強制しないことを保証する。 本稿では,最近普及している2つの自己教師型アルゴリズムに対する追加目的の有効性を示す。 提案手法の広範な実験的解析を行い,検討した全てのデータセットの性能向上を示す。 さらに,一般ホモグラフィとアフィン変換はともに性能と収束性を改善するのに十分であるが,全ての場合においてアフィン変換は良好であることがわかった。

関連論文リスト

• Affine transformation estimation improves visual self-supervised learning [4.40560654491339]
  本研究では,アフィン変換の予測表現を制約するモジュールを追加することにより,学習プロセスの性能と効率が向上することを示す。 我々は、様々な近代的な自己監督モデルで実験を行い、全てのケースで性能改善を見る。
  論文  参考訳（メタデータ） (2024-02-14T10:32:58Z)
• Deep Hashing via Householder Quantization [3.106177436374861]
  ハッシュは大規模な画像類似検索の中心にある。 一般的な解決策は、類似性学習項と量子化ペナルティ項を組み合わせた損失関数を採用することである。 本稿では,学習問題を2段階に分解する量子化戦略を提案する。
  論文  参考訳（メタデータ） (2023-11-07T18:47:28Z)
• Object Representations as Fixed Points: Training Iterative Refinement Algorithms with Implicit Differentiation [88.14365009076907]
  反復的洗練は表現学習に有用なパラダイムである。 トレーニングの安定性とトラクタビリティを向上させる暗黙の差別化アプローチを開発する。
  論文  参考訳（メタデータ） (2022-07-02T10:00:35Z)
• Towards a Unified Approach to Homography Estimation Using Image Features and Pixel Intensities [0.0]
  ホモグラフィ行列は、様々な視覚に基づくロボットタスクにおいて重要な要素である。 伝統的に、ホモグラフィー推定アルゴリズムは特徴ベースまたは強度ベースに分類される。 本稿では,2つのクラスを1つの非線形最適化手順に統合するハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2022-02-20T02:47:05Z)
• Revisiting Consistency Regularization for Semi-Supervised Learning [80.28461584135967]
  そこで我々は,FeatDistLossというシンプルな手法により,一貫性の規則化を改良したフレームワークを提案する。 実験結果から,本モデルは様々なデータセットや設定のための新しい技術状態を定義する。
  論文  参考訳（メタデータ） (2021-12-10T20:46:13Z)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)
• From Canonical Correlation Analysis to Self-supervised Graph Neural Networks [99.44881722969046]
  本稿では,グラフデータを用いた自己教師付き表現学習のための概念的単純かつ効果的なモデルを提案する。 古典的カノニカル相関解析にインスパイアされた,革新的な特徴レベルの目的を最適化する。 提案手法は、7つの公開グラフデータセット上で競合的に動作する。
  論文  参考訳（メタデータ） (2021-06-23T15:55:47Z)
• An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
  カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。 正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T02:27:55Z)
• Self-supervised Augmentation Consistency for Adapting Semantic Segmentation [56.91850268635183]
  本稿では,実用的かつ高精度な意味セグメンテーションのためのドメイン適応手法を提案する。 私たちは標準データ拡張技術である$-$フォトメトリックノイズ、フリップとスケーリング$-$を採用し、セマンティック予測の一貫性を保証する。 適応後の最先端セグメンテーション精度を大幅に改善し、バックボーンアーキテクチャと適応シナリオの異なる選択に整合性を持たせる。
  論文  参考訳（メタデータ） (2021-04-30T21:32:40Z)
• Meta-Regularization: An Approach to Adaptive Choice of the Learning Rate in Gradient Descent [20.47598828422897]
  第一次下降法における学習率の適応的選択のための新しいアプローチであるtextit-Meta-Regularizationを提案する。 本手法は,正規化項を追加して目的関数を修正し,共同処理パラメータをキャストする。
  論文  参考訳（メタデータ） (2021-04-12T13:13:34Z)

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。