論文の概要: Latent-Space Inpainting for Packet Loss Concealment in Collaborative Object Detection

• arxiv url: http://arxiv.org/abs/2102.00142v1
• Date: Sat, 30 Jan 2021 03:32:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-02 21:36:34.982890
• Title: Latent-Space Inpainting for Packet Loss Concealment in Collaborative Object Detection
• Title（参考訳）: 協調物体検出におけるパケット損失の遅延空間インペインティング
• Authors: Ivan V. Baji\'c
• Abstract要約: 本稿では,入力画像からエッジデバイスに計算された深い特徴をクラウドに送信してさらなる処理を行う,協調物体検出に焦点をあてる。 パケット損失が送信した特徴に与える影響を考察し、欠落したデータを回復する方法をいくつか検討する。 特に、理論や実験を通じて、偏微分方程式に基づく画像の塗布法は、潜在空間における欠落した特徴の回復に有効であることを示す。
• 参考スコア（独自算出の注目度）: 26.24508656138528
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Edge devices, such as cameras and mobile units, are increasingly capable of performing sophisticated computation in addition to their traditional roles in sensing and communicating signals. The focus of this paper is on collaborative object detection, where deep features computed on the edge device from input images are transmitted to the cloud for further processing. We consider the impact of packet loss on the transmitted features and examine several ways for recovering the missing data. In particular, through theory and experiments, we show that methods for image inpainting based on partial differential equations work well for the recovery of missing features in the latent space. The obtained results represent the new state of the art for missing data recovery in collaborative object detection.
• Abstract（参考訳）: カメラや移動機などのエッジデバイスは、従来の信号の感知と通信の任務に加えて、高度な計算を行う能力が増している。 本論文では,入力画像からエッジデバイス上で計算された深い特徴をクラウドに送信し,さらに処理を行う協調オブジェクト検出に焦点をあてる。 パケット損失が送信した特徴に与える影響を考察し、欠落したデータを回復する方法をいくつか検討する。 特に, 理論と実験により, 偏微分方程式に基づく画像インペインティング手法が潜在空間における欠落特徴の回復に有効であることを示す。 得られた結果は,協調物体検出におけるデータ回復の欠如に関する新たな技術である。

関連論文リスト

• SurANet: Surrounding-Aware Network for Concealed Object Detection via Highly-Efficient Interactive Contrastive Learning Strategy [55.570183323356964]
  本稿では,隠蔽物体検出のための新しいSurrounding-Aware Network,すなわちSurANetを提案する。 周辺特徴の差分融合を用いて特徴写像のセマンティクスを強化し,隠蔽対象の強調を行う。 次に、周囲の特徴写像を対照的に学習することで隠蔽対象を識別するために、周囲のコントラストロスを適用した。
  論文  参考訳（メタデータ） (2024-10-09T13:02:50Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• CoCoNet: Coupled Contrastive Learning Network with Multi-level Feature Ensemble for Multi-modality Image Fusion [72.8898811120795]
  我々は、赤外線と可視画像の融合を実現するために、CoCoNetと呼ばれるコントラスト学習ネットワークを提案する。 本手法は,主観的評価と客観的評価の両面において,最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2022-11-20T12:02:07Z)
• Spatial Reasoning for Few-Shot Object Detection [21.3564383157159]
  本稿では,空間的推論フレームワークを提案する。 グラフ畳み込みネットワークをRoIとその関連性はそれぞれノードとエッジとして定義する。 提案手法は最先端の手法を著しく上回り, 広範囲なアブレーション研究により有効性を検証する。
  論文  参考訳（メタデータ） (2022-11-02T12:38:08Z)
• 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)
• ObjectFormer for Image Manipulation Detection and Localization [118.89882740099137]
  画像操作の検出とローカライズを行うObjectFormerを提案する。 画像の高周波特徴を抽出し,マルチモーダルパッチの埋め込みとしてRGB特徴と組み合わせる。 各種データセットについて広範な実験を行い,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2022-03-28T12:27:34Z)
• High-resolution Iterative Feedback Network for Camouflaged Object Detection [128.893782016078]
  カモフラージュされたオブジェクトを背景に視覚的に同化させることは、オブジェクト検出アルゴリズムにとって難しい。 エッジやバウンダリのぼやけた視界を生じさせる細部劣化を避けるために,高分解能テクスチャの詳細を抽出することを目的としている。 我々は,高解像度特徴量による低解像度表現を反復的フィードバック方式で洗練する新しいHitNetを提案する。
  論文  参考訳（メタデータ） (2022-03-22T11:20:21Z)
• An End-to-End Approach for Seam Carving Detection using Deep Neural Networks [0.0]
  シーム・カービング(Seam Carving)は、画像形状ではなく、その内容に基づいて画像の縮小と拡大の両面を縮小する計算方法である。 本稿では,自動シーム彫刻検出の課題に対処するためのエンドツーエンドアプローチを提案する。
  論文  参考訳（メタデータ） (2022-03-05T12:53:55Z)
• Self-supervised Segmentation via Background Inpainting [96.10971980098196]
  移動可能なカメラで撮影された単一の画像で、自己教師付き検出とセグメンテーションのアプローチを導入する。 我々は、提案に基づくセグメンテーションネットワークのトレーニングに利用する自己教師付き損失関数を利用する。 本手法は,標準ベンチマークから視覚的に切り離された画像の人間の検出とセグメント化に応用し,既存の自己監督手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-11T08:34:40Z)

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。