論文の概要: Convolutional Hough Matching Networks

• arxiv url: http://arxiv.org/abs/2103.16831v1
• Date: Wed, 31 Mar 2021 06:17:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-01 14:35:16.915313
• Title: Convolutional Hough Matching Networks
• Title（参考訳）: 畳み込みハフマッチングネットワーク
• Authors: Juhong Min, Minsu Cho
• Abstract要約: 畳み込みマッチングにおけるハフ変換の視点を導入し、畳み込みハフマッチング(CHM)と呼ばれる効果的な幾何マッチングアルゴリズムを提案する。 半等方性高次元カーネルを持つ学習可能な神経層にキャストし、少数の解釈可能なパラメータとの非剛性マッチングを学習した。 本手法は,意味的視覚対応のための標準ベンチマークの新たな技術を確立し,クラス内変動に対する強固さを証明した。
• 参考スコア（独自算出の注目度）: 39.524998833064956
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite advances in feature representation, leveraging geometric relations is crucial for establishing reliable visual correspondences under large variations of images. In this work we introduce a Hough transform perspective on convolutional matching and propose an effective geometric matching algorithm, dubbed Convolutional Hough Matching (CHM). The method distributes similarities of candidate matches over a geometric transformation space and evaluate them in a convolutional manner. We cast it into a trainable neural layer with a semi-isotropic high-dimensional kernel, which learns non-rigid matching with a small number of interpretable parameters. To validate the effect, we develop the neural network with CHM layers that perform convolutional matching in the space of translation and scaling. Our method sets a new state of the art on standard benchmarks for semantic visual correspondence, proving its strong robustness to challenging intra-class variations.
• Abstract（参考訳）: 特徴表現の進歩にもかかわらず、幾何関係の活用は画像の多彩なバリエーションの下で信頼できる視覚対応を確立する上で重要である。 本研究では,畳み込み整合に対するハフ変換の視点を導入し,畳み込み整合(CHM)と呼ばれる効果的な幾何整合アルゴリズムを提案する。 この方法は、幾何学的変換空間上に候補マッチングの類似性を分散し、それらを畳み込み方式で評価する。 半等方性高次元カーネルを持つ学習可能な神経層にキャストし、少数の解釈可能なパラメータとの非剛性マッチングを学習した。 この効果を検証するために,翻訳とスケーリングの空間において畳み込みマッチングを行うCHM層を用いたニューラルネットワークを開発した。 本手法は,意味的視覚対応のための標準ベンチマークの新たな技術を確立し,クラス内変動に対する強固さを証明した。

関連論文リスト

• Relative Representations: Topological and Geometric Perspectives [53.88896255693922]
  相対表現はゼロショットモデルの縫合に対する確立されたアプローチである。 相対変換において正規化手順を導入し、非等方的再スケーリングや置換に不変となる。 第二に、クラス内のクラスタリングを促進するトポロジカル正規化損失である、微調整された相対表現におけるトポロジカルデシフィケーションの展開を提案する。
  論文  参考訳（メタデータ） (2024-09-17T08:09:22Z)
• FireANTs: Adaptive Riemannian Optimization for Multi-Scale Diffeomorphic Matching [20.34181966545357]
  微分同相画像マッチングアルゴリズムの最も批判的で実証された側面の1つは、その極めて条件の悪い性質である。 我々は、典型的なMRIマッチングタスクにおける不条件の程度を定量的に把握し、微分同相マッチングのための適応最適化アルゴリズムの必要性を動機づける。 ファイアラントは、非ユークリッドな微分同相空間におけるこの条件を緩和するために、運動量の概念とヘッセンの適応推定を一般化する。 我々の厳密な数学的結果と運用上の貢献は、目覚ましい精度と頑健さで一般的な画像データに適用できる最先端の密マッチングアルゴリズムに繋がる。
  論文  参考訳（メタデータ） (2024-04-01T17:12:47Z)
• Explicit Correspondence Matching for Generalizable Neural Radiance Fields [49.49773108695526]
  本稿では,新たな未知のシナリオに一般化し,2つのソースビューで新規なビュー合成を行う新しいNeRF手法を提案する。 明瞭な対応マッチングは、異なるビュー上の3Dポイントの2次元投影でサンプリングされた画像特徴間のコサイン類似度と定量化される。 実験では,実験結果から得られたコサイン特徴の類似性と体積密度との間に強い相関関係が認められた。
  論文  参考訳（メタデータ） (2023-04-24T17:46:01Z)
• Motion Estimation for Large Displacements and Deformations [7.99536002595393]
  粗い微細なスキームに基づく変分光学フロー技術はスパースマッチングを補間し、色、勾配、滑らかさを条件としたエネルギーモデルを局所的に最適化する。 本稿では, この問題に対処し, 大きな変位と変形に対する変動運動推定フレームワークであるHybridFlowを提案する。
  論文  参考訳（メタデータ） (2022-06-24T18:53:22Z)
• Revisiting Transformation Invariant Geometric Deep Learning: Are Initial Representations All You Need? [80.86819657126041]
  変換不変および距離保存初期表現は変換不変性を達成するのに十分であることを示す。 具体的には、多次元スケーリングを変更することで、変換不変かつ距離保存された初期点表現を実現する。 我々は、TinvNNが変換不変性を厳密に保証し、既存のニューラルネットワークと組み合わせられるほど汎用的で柔軟なことを証明した。
  論文  参考訳（メタデータ） (2021-12-23T03:52:33Z)
• Convolutional Hough Matching Networks for Robust and Efficient Visual Correspondence [41.061667361696465]
  畳み込みマッチングにおけるハフ変換の視点を導入し、畳み込みハフマッチング(CHM)と呼ばれる効果的な幾何マッチングアルゴリズムを提案する。 本手法は,クラス内変動に挑戦する上で,その強靭性を証明し,意味的視覚対応のための標準ベンチマークに新たな技術状況を設定する。
  論文  参考訳（メタデータ） (2021-09-11T08:39:41Z)
• Learning to Discover Reflection Symmetry via Polar Matching Convolution [33.77926792753373]
  我々は、極性特徴プーリング、自己相似符号化、異なる角度の軸に対するカーネル設計を活用する、極性マッチング畳み込みと呼ばれる新しい畳み込み手法を導入する。 提案した高次元カーネル畳み込みネットワークは,実世界の画像から対称性パターンを効果的に発見する。 実験により,本手法は精度とロバスト性において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-30T01:50:51Z)
• Gauge Equivariant Mesh CNNs: Anisotropic convolutions on geometric graphs [81.12344211998635]
  メッシュ上の畳み込みを定義する一般的なアプローチは、それらをグラフとして解釈し、グラフ畳み込みネットワーク(GCN)を適用することである。 本稿では、GCNを一般化して異方性ゲージ同変カーネルを適用するGauge Equivariant Mesh CNNを提案する。 本実験は,従来のGCNおよび他の手法と比較して,提案手法の表現性を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-03-11T17:21:15Z)

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。