論文の概要: Classic versus deep approaches to address computer vision challenges
- arxiv url: http://arxiv.org/abs/2101.09744v1
- Date: Sun, 24 Jan 2021 16:27:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-16 09:13:26.565651
- Title: Classic versus deep approaches to address computer vision challenges
- Title（参考訳）: コンピュータビジョン問題への古典的アプローチと深層アプローチ
- Authors: Nati Ofir and Jean-Christophe Nebel
- Abstract要約: 古典的および深層学習(DL)アルゴリズムの違いを研究し、特定のアプリケーションに適したものについて新しい洞察を得ます。
焦点は、かすかなエッジ検出と多スペクトル画像登録という2つの困難な問題です。
- 参考スコア（独自算出の注目度）: 1.9254132307399259
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computer vision and image processing address many challenging applications.
While the last decade has seen deep neural network architectures
revolutionizing those fields, early methods relied on 'classic', i.e.,
non-learned approaches. In this study, we explore the differences between
classic and deep learning (DL) algorithms to gain new insight regarding which
is more suitable for a given application. The focus is on two challenging
ill-posed problems, namely faint edge detection and multispectral image
registration, studying recent state-of-the-art DL and classic solutions. While
those DL algorithms outperform classic methods in terms of accuracy and
development time, they tend to have higher resource requirements and are unable
to perform outside their training space. Moreover, classic algorithms are more
transparent, which facilitates their adoption for real-life applications. As
both classes of approaches have unique strengths and limitations, the choice of
a solution is clearly application dependent.
- Abstract（参考訳）: コンピュータビジョンと画像処理は多くの課題に対処する。
過去10年間、ディープニューラルネットワークアーキテクチャがこれらの分野に革命をもたらしたが、初期の手法は'古典的'、すなわち非学習的アプローチに依存していた。
本研究では,従来の学習アルゴリズムとディープラーニング(DL)アルゴリズムの相違について検討し,与えられたアプリケーションにどちらがより適しているか,という新たな知見を得る。
かすかなエッジ検出とマルチスペクトル画像登録という2つの困難な問題に焦点を当て、最新のDLと古典的なソリューションを研究しています。
これらのdlアルゴリズムは、精度と開発時間の観点から従来の手法を上回っているが、リソース要件が高く、トレーニングスペース外では実行できない傾向がある。
さらに、古典的なアルゴリズムはより透明で、現実のアプリケーションに採用しやすい。
両方のアプローチのクラスに固有の長所と制限があるため、ソリューションの選択は明らかにアプリケーションに依存します。
関連論文リスト
- Learning-Augmented Algorithms for Online Concave Packing and Convex Covering Problems [4.9826534303287335]
本稿では,2つの基本的な最適化設定のための学習強化アルゴリズムフレームワークを提案する。
コンケーブ目的のオンラインパッキングでは、アドバイスと最先端のオンラインアルゴリズムを切り替える、単純だが包括的な戦略を提示します。
我々のアルゴリズムは、アドバイスが正確であるとき、そしてアドバイスが間違っていても、最先端の古典的オンラインアルゴリズムと同等のパフォーマンスを維持しながら、不可能な結果を破ることを示した。
論文 参考訳（メタデータ） (2024-11-13T04:27:25Z) - Decision-focused Graph Neural Networks for Combinatorial Optimization [62.34623670845006]
最適化問題に取り組むための新たな戦略は、従来のアルゴリズムに代わるグラフニューラルネットワーク(GNN)の採用である。
GNNや従来のアルゴリズムソルバがCOの領域で人気が高まっているにもかかわらず、それらの統合利用とエンドツーエンドフレームワークにおけるそれらの相関について限定的な研究がなされている。
我々は、GNNを利用してCO問題に補助的なサポートで対処する決定に焦点を当てたフレームワークを導入する。
論文 参考訳（メタデータ） (2024-06-05T22:52:27Z) - Deep Learning and Inverse Problems [8.315530799440554]
コンピュータビジョン、画像、ビデオ処理において、これらの手法は主にニューラルネットワーク(NN)、特に畳み込みNN(CNN)に基づいている。
論文 参考訳（メタデータ） (2023-09-02T02:53:54Z) - Deep learning applied to computational mechanics: A comprehensive
review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。
ハイブリッドおよび純粋機械学習(ML)の手法について論じる。
AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文 参考訳（メタデータ） (2022-12-18T02:03:00Z) - Few-shot Open-set Recognition Using Background as Unknowns [58.04165813493666]
未使用のオープンセット認識は、見知らぬクラスの限られた訓練データしか持たない、目に見える画像と新しい画像の両方を分類することを目的としている。
提案手法は,複数のベースラインより優れるだけでなく,3つのベンチマークで新たな結果が得られた。
論文 参考訳（メタデータ） (2022-07-19T04:19:29Z) - Review of Pedestrian Trajectory Prediction Methods: Comparing Deep
Learning and Knowledge-based Approaches [0.0]
本稿では,歩行者動態のシミュレートに広く用いられている古典的知識ベースモデルとディープラーニングアルゴリズムを比較した。
大規模シミュレーションのためのディープラーニングアルゴリズムの能力と集合力学の記述は、いまだに実証されていない。
論文 参考訳（メタデータ） (2021-11-11T08:35:14Z) - Learning to Localize in New Environments from Synthetic Training Data [26.194505911908585]
モデルアーキテクチャに特定の変更を適用することで、新しいシーンに一般化できるアプローチを提案する。
提案手法は, SIFT特徴量を用いた5点アルゴリズムを等大画像上で高速化する。
論文 参考訳（メタデータ） (2020-11-09T16:19:35Z) - Continual Learning for Natural Language Generation in Task-oriented
Dialog Systems [72.92029584113676]
自然言語生成(NLG)はタスク指向対話システムにおいて重要な要素である。
我々は,NLGの知識を新たなドメインや機能に段階的に拡張する"継続的学習"環境で研究する。
この目標に対する大きな課題は、破滅的な忘れことであり、継続的に訓練されたモデルは、以前に学んだ知識を忘れがちである。
論文 参考訳（メタデータ） (2020-10-02T10:32:29Z) - Learning to Stop While Learning to Predict [85.7136203122784]
多くのアルゴリズムにインスパイアされたディープモデルは全ての入力に対して固定深度に制限される。
アルゴリズムと同様に、深いアーキテクチャの最適深さは、異なる入力インスタンスに対して異なるかもしれない。
本稿では, ステアブルアーキテクチャを用いて, この様々な深さ問題に対処する。
学習した深層モデルと停止ポリシーにより,多様なタスクセットのパフォーマンスが向上することを示す。
論文 参考訳（メタデータ） (2020-06-09T07:22:01Z) - Deep Learning Techniques for Inverse Problems in Imaging [102.30524824234264]
機械学習における最近の研究は、ディープニューラルネットワークが様々な逆問題の解決に利用できることを示している。
異なる問題や再構築方法の分類に使用できる分類法を提案する。
論文 参考訳（メタデータ） (2020-05-12T18:35:55Z) - Deep-URL: A Model-Aware Approach To Blind Deconvolution Based On Deep
Unfolded Richardson-Lucy Network [22.43766909236479]
本稿では,ぼやけた画像からぼやけたカーネルとシャープなイメージの両方を復元できる,モデル対応のディープアーキテクチャを提案する。
我々の数値的な研究は、最先端のアルゴリズムと比較して著しく改善されている。
論文 参考訳（メタデータ） (2020-02-03T23:43:08Z)
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。