Fugu-MT 論文翻訳(概要): Component Tree Loss Function: Definition and Optimization

論文の概要: Component Tree Loss Function: Definition and Optimization

arxiv url: http://arxiv.org/abs/2101.08063v1
Date: Wed, 20 Jan 2021 10:55:37 GMT
ステータス: 処理完了
システム内更新日: 2021-03-22 01:30:29.457850
Title: Component Tree Loss Function: Definition and Optimization
Title（参考訳）: コンポーネントツリー損失関数:定義と最適化
Authors: Benjamin Perret (LIGM), Jean Cousty (LIGM)
Abstract要約: このような階層的画像表現のノードに関連する高度が、画像ピクセル値に対してどのように区別されるかを示す。この機能は、絶滅値などの様々な属性に基づいて画像の最大値を選択または破棄できる汎用的損失関数を設計するために使用される。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this article, we propose a method to design loss functions based on component trees which can be optimized by gradient descent algorithms and which are therefore usable in conjunction with recent machine learning approaches such as neural networks. We show how the altitudes associated to the nodes of such hierarchical image representations can be differentiated with respect to the image pixel values. This feature is used to design a generic loss function that can select or discard image maxima based on various attributes such as extinction values. The possibilities of the proposed method are demonstrated on simulated and real image filtering.
Abstract（参考訳）: 本稿では,勾配降下アルゴリズムにより最適化可能なコンポーネントツリーに基づく損失関数の設計手法を提案する。このような階層的な画像表現のノードに付随する高度が、画像画素値に対してどのように区別できるかを示す。この機能は、絶滅値などの様々な属性に基づいて画像の最大値を選択または破棄できる汎用的損失関数を設計するために使用される。シミュレーションおよび実画像フィルタリングにおいて,提案手法の可能性を示す。

関連論文リスト

Restoring Images in Adverse Weather Conditions via Histogram Transformer [75.74328579778049]
悪天候による画像の復元に有効なヒストグラム変換器(Histoformer)を提案する。これはヒストグラム自己アテンション( histogram self-attention)と呼ばれるメカニズムで、空間的特徴を強度ベースのビンに分類し、セグメント化する。ヒストグラムの自己アテンションを高めるために,従来のコンボリューションが類似画素上で動作できるようにするダイナミックレンジ・コンボリューションを提案する。
論文参考訳（メタデータ） (2024-07-14T11:59:22Z)
Strong and Controllable Blind Image Decomposition [57.682079186903195]
ブラインド画像分解は、画像に存在するすべてのコンポーネントを分解することを目的としている。ユーザーは著作権保護のために、透かしなどの特定の劣化を保ちたいかもしれない。制御可能なブラインド画像分解ネットワークというアーキテクチャを設計する。
論文参考訳（メタデータ） (2024-03-15T17:59:44Z)
DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文参考訳（メタデータ） (2023-12-12T06:07:21Z)
Discriminative feature encoding for intrinsic image decomposition [16.77439691640257]
内在画像分解は、重要かつ長期にわたるコンピュータビジョン問題である。この研究はディープラーニングを利用しており、この挑戦的なコンピュータビジョン問題を高い効率で解くことができることを示している。
論文参考訳（メタデータ） (2022-09-25T05:51:49Z)
Dissecting the impact of different loss functions with gradient surgery [7.001832294837659]
ペアワイズ・ロス(英: Pair-wise Los)とは、損失関数を最適化することで意味的な埋め込みを学習するメトリクス学習のアプローチである。ここでは、これらの損失関数の勾配を、アンカー正対とアンカー負対の相対的特徴位置の押し方に関連する成分に分解する。
論文参考訳（メタデータ） (2022-01-27T03:55:48Z)
Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文参考訳（メタデータ） (2021-08-19T11:02:25Z)
Convolutional Neural Networks from Image Markers [62.997667081978825]
特徴画像マーカーからの学習(FLIM)は、ごく少数の画像でユーザーが描画したストロークから、バックプロパゲーションのない畳み込みフィルタを推定するために最近提案されました。本稿では、フルコネクテッド層に対してFLIMを拡張し、異なる画像分類問題について実証する。その結果、FLIMベースの畳み込みニューラルネットワークは、バックプロパゲーションによってゼロから訓練された同じアーキテクチャを上回ります。
論文参考訳（メタデータ） (2020-12-15T22:58:23Z)
Image Inpainting with Learnable Feature Imputation [8.293345261434943]
正規畳み込み層は、未知の領域にフィルターを適用するのと同じ方法で、塗装された画像の視覚的アーティファクトを引き起こす。本稿では,欠落した入力値の畳み込みに対する(階層的な)特徴計算を提案する。我々はCelebA-HQとPlaces2を比較し,そのモデルを検証する。
論文参考訳（メタデータ） (2020-11-02T16:05:32Z)
A Loss Function for Generative Neural Networks Based on Watson's Perceptual Model [14.1081872409308]
変動オートエンコーダ(VAE)を訓練して現実的な画像を生成するには、画像類似性に対する人間の認識を反映する損失関数が必要である。本稿では,周波数空間における重み付き距離を計算し,輝度とコントラストマスキングを考慮したWatsonの知覚モデルに基づく損失関数を提案する。実験では、新しい損失関数で訓練されたVAEが、現実的で高品質な画像サンプルを生成した。
論文参考訳（メタデータ） (2020-06-26T15:36:11Z)
Deeply Learned Spectral Total Variation Decomposition [8.679020335206753]
非線形スペクトル分解のニューラルネットワーク近似を提案する。我々は、メガピクセルサイズの画像の処理において最大4桁(時間1万ドル)のスピードアップを報告した。
論文参考訳（メタデータ） (2020-06-17T17:10:43Z)
Neural Sparse Representation for Image Restoration [116.72107034624344]
スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
論文参考訳（メタデータ） (2020-06-08T05:15:17Z)

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。