論文の概要: Does deep machine vision have just noticeable difference (JND)?

• arxiv url: http://arxiv.org/abs/2102.08168v1
• Date: Tue, 16 Feb 2021 14:19:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-17 14:53:28.655377
• Title: Does deep machine vision have just noticeable difference (JND)?
• Title（参考訳）: ディープマシンビジョンは目立たない違い(JND)を持っていますか?
• Authors: Jian Jin, Xingxing Zhang, Xin Fu, Huan Zhang, Weisi Lin, Jian Lou, Yao Zhao
• Abstract要約: Deep Machine Vision (DMV)のように、AIのためのJust Noticeable difference (JND)の存在についてはほとんど調査されていない。 本稿では,DMV が DMVJND と呼ばれる JND を持っていることを実証する。 DMVは、DMVJND-NETで教師なし学習によってJNDを生成することにより、約9.56dBのPSNRの歪み画像を許容できることが判明した。
• 参考スコア（独自算出の注目度）: 74.68805484753442
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As an important perceptual characteristic of the Human Visual System (HVS), the Just Noticeable Difference (JND) has been studied for decades with image/video processing (e.g., perceptual image/video coding). However, there is little exploration on the existence of JND for AI, like Deep Machine Vision (DMV), although the DMV has made great strides in many machine vision tasks. In this paper, we take an initial attempt, and demonstrate that DMV does have the JND, termed as DMVJND. Besides, we propose a JND model for the classification task in DMV. It has been discovered that DMV can tolerate distorted images with average PSNR of only 9.56dB (the lower the better), by generating JND via unsupervised learning with our DMVJND-NET. In particular, a semantic-guided redundancy assessment strategy is designed to constrain the magnitude and spatial distribution of the JND. Experimental results on classification tasks demonstrate that we successfully find and model the JND for deep machine vision. Meanwhile, our DMV-JND paves a possible direction for DMV oriented image/video compression, watermarking, quality assessment, deep neural network security, and so on.
• Abstract（参考訳）: 人間の視覚システム(HVS)の重要な知覚特性として、Just Noticeable difference(JND)は画像/ビデオ処理(知覚画像/映像符号化など)で何十年も研究されてきた。 しかし、Deep Machine Vision (DMV)のようなAIのためのJNDの存在についてはほとんど調査されていないが、DMVは多くのマシンビジョンタスクにおいて大きな進歩を遂げている。 本稿では,DMV が DMVJND と呼ばれる JND を持っていることを実証する。 さらに,DMVにおける分類課題に対するJNDモデルを提案する。 DMVは、DMVJND-NETで教師なし学習によってJNDを生成することにより、約9.56dBのPSNRの歪み画像を許容できることが判明した。 特に,意味誘導型冗長性評価戦略は,JNDの大きさと空間分布を制約するように設計されている。 分類タスクに関する実験結果から,JNDの深部マシンビジョンの探索とモデル化に成功したことが示された。 一方、DMV-JNDは、DMV指向の画像/映像圧縮、透かし、品質評価、ディープニューラルネットワークのセキュリティなど、可能な方向を舗装している。

関連論文リスト

• DT-JRD: Deep Transformer based Just Recognizable Difference Prediction Model for Video Coding for Machines [48.07705666485972]
  Just Recognizable difference (JRD) は、機械ビジョンによって検出される最小の視覚差を表す。 本稿では,Deep Transformer-based JRD (DT-JRD) prediction model for Video Coding for Machines (VCM)を提案する。 正確に予測されたJRDは、機械作業の精度を維持しながら、符号化ビットレートを低減できる。
  論文  参考訳（メタデータ） (2024-11-14T09:34:36Z)
• The First Comprehensive Dataset with Multiple Distortion Types for Visual Just-Noticeable Differences [40.50003266570956]
  この研究は、106のソースイメージと1,642のJNDマップを含む25の歪みタイプを含む粗いJND選択を伴う一般化されたJNDデータセットを確立する。 クラウドソースされた主観評価を伴うJND候補に対して、詳細なJND選択を行う。
  論文  参考訳（メタデータ） (2023-03-05T03:12:57Z)
• HVS-Inspired Signal Degradation Network for Just Noticeable Difference Estimation [69.49393407465456]
  JND推定のためのHVSにインスパイアされた信号劣化ネットワークを提案する。 我々は,JND主観視におけるHVS知覚過程を分析し,関連する知見を得た。 提案手法は,HVSの冗長性を正確に推定するためのSOTA性能を実現する。
  論文  参考訳（メタデータ） (2022-08-16T07:53:45Z)
• JPerceiver: Joint Perception Network for Depth, Pose and Layout Estimation in Driving Scenes [75.20435924081585]
  JPerceiverは、モノクロビデオシーケンスからスケール認識深度とVOとBEVレイアウトを同時に推定することができる。 クロスビュー幾何変換(CGT)を利用して、絶対スケールを道路レイアウトから奥行きとVOに伝播させる。 Argoverse、Nuscenes、KITTIの実験は、上記の3つのタスクの全てにおいて、既存のメソッドよりもJPerceiverの方が優れていることを示している。
  論文  参考訳（メタデータ） (2022-07-16T10:33:59Z)
• Monocular Depth Estimation through Virtual-world Supervision and Real-world SfM Self-Supervision [0.0]
  仮想世界監視(MonoDEVS)と実世界SfM自己監督による単眼深度推定を行う。 われわれのMonoDEVSNetは、モノクレオシークエンスやステレオシークエンスで訓練された以前のMDE CNNよりも優れています。
  論文  参考訳（メタデータ） (2021-03-22T22:33:49Z)
• DMD: A Large-Scale Multi-Modal Driver Monitoring Dataset for Attention and Alertness Analysis [54.198237164152786]
  視覚は運転監視システム(DMS)の最も豊かで費用対効果の高い技術である 十分に大規模で包括的なデータセットの欠如は、DMS開発の進展のボトルネックとなっている。 本稿では,実運転シナリオとシミュレーション運転シナリオを含む広範囲なデータセットであるドライバモニタリングデータセット(DMD)を紹介する。
  論文  参考訳（メタデータ） (2020-08-27T12:33:54Z)
• MVLidarNet: Real-Time Multi-Class Scene Understanding for Autonomous Driving Using Multiple Views [60.538802124885414]
  マルチビューLidarNet(MVLidarNet)は,多層物体検出とドライビング空間分割のための2段階のディープニューラルネットワークである。 MVLidarNetは、単一のLiDARスキャンを入力として、乾燥可能な空間を同時に決定しながら、オブジェクトを検出し、分類することができる。 我々は、KITTIとはるかに大きな内部データセットの両方で結果を示し、その方法が桁違いにスケールできることを実証する。
  論文  参考訳（メタデータ） (2020-06-09T21:28:17Z)

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。

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。