論文の概要: There and Back Again: Self-supervised Multispectral Correspondence Estimation

• arxiv url: http://arxiv.org/abs/2103.10768v1
• Date: Fri, 19 Mar 2021 12:33:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-22 14:31:47.850024
• Title: There and Back Again: Self-supervised Multispectral Correspondence Estimation
• Title（参考訳）: 振り返って:自己監督型マルチスペクトル対応推定
• Authors: Celyn Walters (1), Oscar Mendez (1), Mark Johnson, Richard Bowden (1) ((1) CVSSP, University of Surrey)
• Abstract要約: 自己監督が可能な新しいサイクル一貫性指標を紹介します。 これにより、スペクトルに依存しない損失関数と組み合わせることで、同じネットワークを複数のスペクトルにわたってトレーニングできます。 本研究では,高密度RGB-FIR対応推定の課題に対するアプローチを示す。
• 参考スコア（独自算出の注目度）: 13.56924750612194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Across a wide range of applications, from autonomous vehicles to medical imaging, multi-spectral images provide an opportunity to extract additional information not present in color images. One of the most important steps in making this information readily available is the accurate estimation of dense correspondences between different spectra. Due to the nature of cross-spectral images, most correspondence solving techniques for the visual domain are simply not applicable. Furthermore, most cross-spectral techniques utilize spectra-specific characteristics to perform the alignment. In this work, we aim to address the dense correspondence estimation problem in a way that generalizes to more than one spectrum. We do this by introducing a novel cycle-consistency metric that allows us to self-supervise. This, combined with our spectra-agnostic loss functions, allows us to train the same network across multiple spectra. We demonstrate our approach on the challenging task of dense RGB-FIR correspondence estimation. We also show the performance of our unmodified network on the cases of RGB-NIR and RGB-RGB, where we achieve higher accuracy than similar self-supervised approaches. Our work shows that cross-spectral correspondence estimation can be solved in a common framework that learns to generalize alignment across spectra.
• Abstract（参考訳）: 自動運転車から医療画像まで、幅広い応用分野において、マルチスペクトル画像はカラー画像に存在しない追加情報を抽出する機会を提供する。 この情報を容易に利用できるようにするための最も重要なステップの1つは、異なるスペクトル間の密接な対応の正確な推定である。 クロススペクトル画像の性質上、視覚領域の対応解法のほとんどは単に適用できない。 さらに、ほとんどのクロススペクトル技術はスペクトル特性を利用してアライメントを行う。 本研究では,複数のスペクトルに一般化する方法で,密接な対応推定問題に対処することを目的としている。 私たちは、自己監督を可能にする新しいサイクル一貫性メトリクスを導入することでこれを行います。 これはスペクトルに依存しない損失関数と組み合わせることで、複数のスペクトルで同じネットワークをトレーニングすることができます。 本稿では,高密度RGB-FIR対応推定における課題について述べる。 また,rgb-nirとrgb-rgbでは,類似した自己教師付きアプローチよりも高い精度を実現する。 本研究は,スペクトル間のアライメントを一般化する共通枠組みを用いて,クロススペクトル対応推定を解くことができることを示す。

関連論文リスト

• Contourlet Refinement Gate Framework for Thermal Spectrum Distribution Regularized Infrared Image Super-Resolution [54.293362972473595]
  画像超解像(SR)は、高解像度(HR)画像を低解像度(LR)画像から再構成することを目的としている。 SRタスクに対処する現在のアプローチは、RGB画像の特徴を抽出するか、同様の劣化パターンを仮定するものである。 スペクトル分布の忠実さを保ちつつ、赤外線変調特性を復元するコントゥーレット改質ゲートフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-19T14:24:03Z)
• Spectral Image Data Fusion for Multisource Data Augmentation [44.99833362998488]
  マルチスペクトル画像やハイパースペクトル画像は、リモートセンシング、天文学的イメージング、精密農業など、さまざまな研究分野で人気が高まっている。 機械学習タスクを実行できる無料データの量は比較的少ない。 スペクトル画像の領域で開発された人工知能モデルは、固定されたスペクトルシグネチャを持つ入力画像を必要とする。
  論文  参考訳（メタデータ） (2024-04-05T13:40:18Z)
• TOP-ReID: Multi-spectral Object Re-Identification with Token Permutation [64.65950381870742]
  マルチスペクトルオブジェクトReID, Dubbled TOP-ReIDのための循環トークン置換フレームワークを提案する。 また,巡回多スペクトル特徴アグリゲーションのためのToken Permutation Module (TPM)を提案する。 提案するフレームワークは,ロバストなオブジェクトReIDに対して,より識別性の高いマルチスペクトル特徴を生成できる。
  論文  参考訳（メタデータ） (2023-12-15T08:54:15Z)
• SpectralGPT: Spectral Remote Sensing Foundation Model [60.023956954916414]
  SpectralGPTという名前のユニバーサルRS基盤モデルは、新しい3D生成事前学習変換器(GPT)を用いてスペクトルRS画像を処理するために構築されている。 既存の基礎モデルと比較して、SpectralGPTは、様々なサイズ、解像度、時系列、領域をプログレッシブトレーニング形式で対応し、広範なRSビッグデータのフル活用を可能にする。 我々の評価では、事前訓練されたスペクトルGPTモデルによる顕著な性能向上が強調され、地球科学分野におけるスペクトルRSビッグデータ応用の進展に有意な可能性を示唆している。
  論文  参考訳（メタデータ） (2023-11-13T07:09:30Z)
• Learning Multi-resolution Functional Maps with Spectral Attention for Robust Shape Matching [38.160024675855496]
  スペクトルに着目した多分解能関数写像に基づく新しい非剛性形状マッチングフレームワークを提案する。 私たちのフレームワークは、教師なし設定と教師なし設定の両方に適用できます。 入力された形状に応じてスペクトル分解能を適応できるようにネットワークをトレーニングすることが可能であることを示す。
  論文  参考訳（メタデータ） (2022-10-12T16:24:53Z)
• Multi-Scale Iterative Refinement Network for RGB-D Salient Object Detection [7.062058947498447]
  RGB画像の様々なスケールや解像度に、様々な特徴レベルの意味的ギャップがあるため、健全な視覚的手がかりが現れる。 同様のサージェントパターンは、クロスモーダルなディープイメージとマルチスケールバージョンで利用できる。 注意に基づく融合モジュール (ABF) を設計し, 相互相関に対処する。
  論文  参考訳（メタデータ） (2022-01-24T10:33:00Z)
• Cross-Spectral Periocular Recognition with Conditional Adversarial Networks [59.17685450892182]
  本研究では,近赤外・近赤外スペクトル間の近赤外画像の変換を訓練した条件付き生成逆相関ネットワークを提案する。 EER=1%, GAR>99% @ FAR=1%, ポリUデータベースの最先端技術に匹敵するスペクトル近視性能を得た。
  論文  参考訳（メタデータ） (2020-08-26T15:02:04Z)
• Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery [79.69449412334188]
  本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。 本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。 実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
  論文  参考訳（メタデータ） (2020-05-18T14:25:50Z)
• Spectrum Translation for Cross-Spectral Ocular Matching [59.17685450892182]
  バイオメトリックスでは、特に眼領域において、クロススペクトル検証が大きな問題となっている。 近赤外画像と視覚光画像のスペクトル変換におけるコンディショナル・ディバイサル・ネットワークの利用について検討した。
  論文  参考訳（メタデータ） (2020-02-14T19:30:31Z)

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。