論文の概要: Automated Mathematical Equation Structure Discovery for Visual Analysis

• arxiv url: http://arxiv.org/abs/2104.08633v1
• Date: Sat, 17 Apr 2021 19:42:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-23 07:10:20.509790
• Title: Automated Mathematical Equation Structure Discovery for Visual Analysis
• Title（参考訳）: 視覚解析のための数式構造の自動発見
• Authors: Caroline Pacheco do Esp\'irito Silva, Jos\'e A. M. Felippe De Souza, Antoine Vacavant, Thierry Bouwmans, Andrews Cordolino Sobral
• Abstract要約: 人間の介入の少ないスクラッチから方程式を自動的に発見する枠組みを提案する。 本提案は,手作業ではなく,生成ネットワークによる検索空間設計を提案することで,人的バイアスを低減する。 概念実証として,我々のフレームワークで発見された方程式を用いて,動画の背景から移動物体を識別する。
• 参考スコア（独自算出の注目度）: 3.6923632650826472
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Finding the best mathematical equation to deal with the different challenges found in complex scenarios requires a thorough understanding of the scenario and a trial and error process carried out by experts. In recent years, most state-of-the-art equation discovery methods have been widely applied in modeling and identification systems. However, equation discovery approaches can be very useful in computer vision, particularly in the field of feature extraction. In this paper, we focus on recent AI advances to present a novel framework for automatically discovering equations from scratch with little human intervention to deal with the different challenges encountered in real-world scenarios. In addition, our proposal can reduce human bias by proposing a search space design through generative network instead of hand-designed. As a proof of concept, the equations discovered by our framework are used to distinguish moving objects from the background in video sequences. Experimental results show the potential of the proposed approach and its effectiveness in discovering the best equation in video sequences. The code and data are available at: https://github.com/carolinepacheco/equation-discovery-scene-analysis
• Abstract（参考訳）: 複雑なシナリオに見られるさまざまな課題に対処する最良の数学的方程式を見つけるには、シナリオの詳細な理解と専門家による試行錯誤プロセスが必要である。 近年、ほとんどの最先端方程式発見法はモデリングや識別システムに広く応用されている。 しかし、方程式発見のアプローチはコンピュータビジョン、特に特徴抽出の分野で非常に有用である。 本稿では,現実のシナリオで直面するさまざまな課題に対処するため,人間の介入がほとんどなく,スクラッチから方程式を自動的に検出する新たなフレームワークを提案するために,最近のAIの進歩に注目した。 さらに,提案手法は,ハンドデザインではなく生成ネットワークによる探索空間設計を提案することにより,人間のバイアスを軽減することができる。 概念実証として,我々のフレームワークで発見された方程式を用いて,動画の背景から移動物体を識別する。 実験の結果,提案手法の可能性を示唆し,ビデオシーケンスにおける最良方程式の発見に有効性を示した。 コードとデータは、https://github.com/carolinepacheco/equation-discovery-scene- analysisで入手できる。

関連論文リスト

• Automatic Discovery of Visual Circuits [66.99553804855931]
  本稿では,視覚モデルにおける視覚的概念の認識の基盤となる計算グラフのサブグラフを抽出するスケーラブルな手法について検討する。 提案手法は, モデル出力に因果的に影響を及ぼす回路を抽出し, これらの回路を編集することで, 敵攻撃から大きな事前学習モデルを守ることができることがわかった。
  論文  参考訳（メタデータ） (2024-04-22T17:00:57Z)
• Foundational Inference Models for Dynamical Systems [5.549794481031468]
  我々は,ODEによって決定されると仮定される時系列データの欠落を補うという古典的な問題に対して,新たな視点を提供する。 本稿では,いくつかの(隠れた)ODEを満たすパラメトリック関数を通じて,ゼロショット時系列計算のための新しい教師付き学習フレームワークを提案する。 我々は,1と同一(事前学習)の認識モデルが,63個の異なる時系列に対してゼロショット計算を行なえることを実証的に実証した。
  論文  参考訳（メタデータ） (2024-02-12T11:48:54Z)
• Towards true discovery of the differential equations [57.089645396998506]
  微分方程式探索は、解釈可能なモデルを開発するために使用される機械学習サブフィールドである。 本稿では,専門家の入力を伴わない独立方程式発見のための前提条件とツールについて検討する。
  論文  参考訳（メタデータ） (2023-08-09T12:03:12Z)
• Optimistic Active Exploration of Dynamical Systems [52.91573056896633]
  我々はOPAXと呼ばれる活発な探索のためのアルゴリズムを開発した。 我々は,OPAXを各エピソードで解決可能な最適制御問題に還元する方法を示す。 実験の結果,OPAXは理論的に健全であるだけでなく,新規な下流タスクのゼロショット計画にも有効であることがわかった。
  論文  参考訳（メタデータ） (2023-06-21T16:26:59Z)
• Program Generation from Diverse Video Demonstrations [49.202289347899836]
  複数の観察を総合することは、歴史的に機械が把握するのが困難であったタスクである。 本稿では,要約と翻訳を同時に行うことで,ビデオデモから一般的なルールを抽出できるモデルを提案する。
  論文  参考訳（メタデータ） (2023-02-01T01:51:45Z)
• D-CIPHER: Discovery of Closed-form Partial Differential Equations [80.46395274587098]
  D-CIPHERは人工物の測定に頑健であり、微分方程式の新しい、非常に一般的なクラスを発見できる。 さらに,D-CIPHERを効率的に探索するための新しい最適化手法であるCoLLieを設計する。
  論文  参考訳（メタデータ） (2022-06-21T17:59:20Z)
• Non-linear State-space Model Identification from Video Data using Deep Encoders [0.0]
  本稿では,高次元入力および出力データから始まる非線形状態空間同定手法を提案する。 ニューラルネットワークで表現されたエンコーダ関数を導入して再構成可能性マップを学習し、過去の入力や出力からモデル状態を予測する。 ユニットボックス内の制御可能なボールのシミュレーション環境の映像ストリームに,提案手法を適用した。
  論文  参考訳（メタデータ） (2020-12-14T17:14:46Z)
• Computational characteristics of feedforward neural networks for solving a stiff differential equation [0.0]
  減衰系をモデル化する単純だが基本的な常微分方程式の解について検討する。 パラメータやメソッドに対して好適な選択を特定できることを示す。 全体として、ニューラルネットワークアプローチによる信頼性と正確な結果を得るために何ができるかを示すことで、この分野の現在の文献を拡張します。
  論文  参考訳（メタデータ） (2020-12-03T12:22:24Z)
• A Neuro-Symbolic Method for Solving Differential and Functional Equations [6.899578710832262]
  微分方程式を解くために記号式を生成する方法を提案する。 既存の手法とは異なり、このシステムは記号数学よりも言語モデルを学習する必要はない。 我々は,他の数学的課題に対するシンボリックな解を見つけるために,システムがいかに懸命に一般化されるかを示す。
  論文  参考訳（メタデータ） (2020-11-04T17:13:25Z)
• The data-driven physical-based equations discovery using evolutionary approach [77.34726150561087]
  与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。 このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。 解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
  論文  参考訳（メタデータ） (2020-04-03T17:21:57Z)

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。