Fugu-MT 論文翻訳(概要): APEX-Net: Automatic Plot Extractor Network

論文の概要: APEX-Net: Automatic Plot Extractor Network

arxiv url: http://arxiv.org/abs/2101.06217v3
Date: Thu, 11 Feb 2021 05:03:01 GMT
ステータス: 処理完了
システム内更新日: 2021-03-28 14:13:11.054463
Title: APEX-Net: Automatic Plot Extractor Network
Title（参考訳）: APEX-Net: 自動スロットエクストラクタネットワーク
Authors: Aalok Gangopadhyay, Prajwal Singh, Shanmuganathan Raman
Abstract要約: プロット抽出問題を解決するために,新しい損失関数を持つ深層学習型フレームワークapex-netを提案する。プロット画像と生データの両方を含む新しい大規模データセットAPEX-1Mを紹介します。提案手法では,プロット画像上でネットワークの視覚的な結果を示し,プロットの形状をかなり抽出できることを実証する。
参考スコア（独自算出の注目度）: 24.299931323012757
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Automatic extraction of raw data from 2D line plot images is a problem of great importance having many real-world applications. Several algorithms have been proposed for solving this problem. However, these algorithms involve a significant amount of human intervention. To minimize this intervention, we propose APEX-Net, a deep learning based framework with novel loss functions for solving the plot extraction problem. We introduce APEX-1M, a new large scale dataset which contains both the plot images and the raw data. We demonstrate the performance of APEX-Net on the APEX-1M test set and show that it obtains impressive accuracy. We also show visual results of our network on unseen plot images and demonstrate that it extracts the shape of the plots to a great extent. Finally, we develop a GUI based software for plot extraction that can benefit the community at large. For dataset and more information visit https://sites.google.com/view/apexnetpaper/.
Abstract（参考訳）: 2次元線プロット画像からの生データの自動抽出は、多くの実世界のアプリケーションを持つ重要な問題である。この問題を解決するためにいくつかのアルゴリズムが提案されている。しかし、これらのアルゴリズムには大量の人間の介入が含まれる。この介入を最小限に抑えるために,プロット抽出問題を解決するための新しい損失関数を持つディープラーニングフレームワークapex-netを提案する。本稿ではプロット画像と生データの両方を含む新しい大規模データセットであるAPEX-1Mを紹介する。本稿では,APEX-1MテストセットにおけるAPEX-Netの性能を実演し,精度が向上したことを示す。また,プロット画像に対するネットワークの視覚的な結果を示し,プロットの形状をある程度抽出できることを実証した。最後に,プロット抽出のためのguiベースのソフトウェアを開発し,コミュニティ全体のメリットを享受する。詳細はhttps://sites.google.com/view/apexnetpaper/を参照。

関連論文リスト

Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data [87.61900472933523]
この研究は、ロバストな単分子深度推定のための非常に実用的な解であるDepth Anythingを提示する。データエンジンを設計し、大規模な未ラベルデータの収集と注釈付けを自動的に行うことにより、データセットをスケールアップします。 6つのパブリックデータセットとランダムにキャプチャされた写真を含む、ゼロショットの機能を広範囲に評価する。
論文参考訳（メタデータ） (2024-01-19T18:59:52Z)
Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。提案手法は,複数のMOTデータセット上での最先端性能を実現する。画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
論文参考訳（メタデータ） (2023-03-27T17:39:00Z)
I2P-Rec: Recognizing Images on Large-scale Point Cloud Maps through Bird's Eye View Projections [18.7557037030769]
位置認識は、完全な自律性を達成するための、自動運転車にとって重要な技術である。クロスモーダルデータを同じモダリティに変換することで,I2P-Rec法を提案する。トレーニングデータの小さなセットだけで、I2P-Recはポイントクラウドマップ上のモノクロ画像とステレオ画像のローカライズ時に、80%と90%でトップ1%のリコール率を達成する。
論文参考訳（メタデータ） (2023-03-02T07:56:04Z)
Supervised and Contrastive Self-Supervised In-Domain Representation Learning for Dense Prediction Problems in Remote Sensing [0.0]
本稿では、リモートセンシングと画像Netデータセットの領域差を解決するために、教師付きおよび自己教師型両方のドメイン表現の有効性について検討する。自己教師付き事前学習では,SimSiamアルゴリズムは単純であり,膨大な計算資源を必要としない。その結果,自己教師付き表現学習に空間分解能の高いデータセットを用いることで,下流タスクの性能が向上することが実証された。
論文参考訳（メタデータ） (2023-01-29T20:56:51Z)
Let's Enhance: A Deep Learning Approach to Extreme Deblurring of Text Images [3.441021278275805]
本研究は,画像劣化の逆問題に対する,ディープラーニングに基づく新しいパイプラインを提案する。我々の結果は、最新の最先端のデブロアリングアルゴリズムの限界を探求することを目的とした、最近のヘルシンキのデブロアリングチャレンジ2021への私たちの勝利を基盤にしています。
論文参考訳（メタデータ） (2022-11-18T09:06:56Z)
Large-scale Unsupervised Semantic Segmentation [163.3568726730319]
本稿では, 大規模無教師付きセマンティックセマンティックセグメンテーション (LUSS) の新たな課題を提案する。 ImageNetデータセットに基づいて、120万のトレーニング画像と40万の高品質なセマンティックセグメンテーションアノテーションを用いた画像Net-Sデータセットを提案する。
論文参考訳（メタデータ） (2021-06-06T15:02:11Z)
Plot2API: Recommending Graphic API from Plot via Semantic Parsing Guided Neural Network [13.936788648883068]
PlotベースのGraphic APIレコメンデーション(Plot2API)は、研究されていないが意味のある問題です。 Semantic Parsing Guided Neural Network (SPGNN) という新しい深層マルチタスク学習手法を提案する。 SPGNNでは、最近開発されたConvolutional Neural Network(CNN)であるEfficientNetがAPI推奨のバックボーンネットワークとして採用されている。
論文参考訳（メタデータ） (2021-04-02T13:08:56Z)
MAGNeto: An Efficient Deep Learning Method for the Extractive Tags Summarization Problem [0.0]
抽出タグ要約(ETS)と呼ばれる新しい画像アノテーションタスクについて検討する。ゴールは、画像とその対応するタグに横たわるコンテキストから重要なタグを抽出することである。提案手法は,畳み込み層や自己注意層など,広く使用されているブロックで構成されている。
論文参考訳（メタデータ） (2020-11-09T11:34:21Z)
Adaptive Context-Aware Multi-Modal Network for Depth Completion [107.15344488719322]
我々は,観測された空間コンテキストを捉えるために,グラフ伝搬を採用することを提案する。次に、注意機構を伝搬に適用し、ネットワークが文脈情報を適応的にモデル化することを奨励する。最後に、抽出したマルチモーダル特徴を効果的に活用するための対称ゲート融合戦略を導入する。本稿では,Adaptive Context-Aware Multi-Modal Network (ACMNet) を2つのベンチマークで評価した。
論文参考訳（メタデータ） (2020-08-25T06:00:06Z)
Scaling Graph Neural Networks with Approximate PageRank [64.92311737049054]
GNNにおける情報拡散の効率的な近似を利用したPPRGoモデルを提案する。高速であることに加えて、PPRGoは本質的にスケーラブルであり、業界設定で見られるような大規模なデータセットに対して、自明に並列化することができる。このグラフのすべてのノードに対するPPRGoのトレーニングとラベルの予測には1台のマシンで2分未満で、同じグラフ上の他のベースラインをはるかに上回ります。
論文参考訳（メタデータ） (2020-07-03T09:30:07Z)
JHU-CROWD++: Large-Scale Crowd Counting Dataset and A Benchmark Method [92.15895515035795]
我々は、"4,372"イメージと"1.51万"アノテーションを含む、新しい大規模非制約クラウドカウントデータセット(JHU-CROWD++)を導入する。本稿では, 残差誤差推定により, 群集密度マップを段階的に生成する新しい群集カウントネットワークを提案する。
論文参考訳（メタデータ） (2020-04-07T14:59:35Z)

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。