論文の概要: Unsupervised Shape Completion via Deep Prior in the Neural Tangent
Kernel Perspective
- arxiv url: http://arxiv.org/abs/2104.09023v1
- Date: Mon, 19 Apr 2021 02:41:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-20 14:39:26.628978
- Title: Unsupervised Shape Completion via Deep Prior in the Neural Tangent
Kernel Perspective
- Title(参考訳): ニューラル・タンジェント・カーネル・パースペクティブにおける深部前処理による非教師なし形状補完
- Authors: Lei Chu, Hao Pan, Wenping Wang
- Abstract要約: 深層ニューラルネットワークを用いて不完全なスキャンデータから3次元形状の完成と再構成を行う新しい手法を提案する。
監視された完了タスクでトレーニングされ、テスト形状に適用される代わりに、ネットワークは単一のテスト形状でスクラッチから最適化される。
訓練されていないニューラルネットワークによって欠落したデータを完遂する能力は、通常、deep priorと呼ばれる。
- 参考スコア(独自算出の注目度): 40.39169145231995
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel approach for completing and reconstructing 3D shapes from
incomplete scanned data by using deep neural networks. Rather than being
trained on supervised completion tasks and applied on a testing shape, the
network is optimized from scratch on the single testing shape, to fully adapt
to the shape and complete the missing data using contextual guidance from the
known regions. The ability to complete missing data by an untrained neural
network is usually referred to as the deep prior. In this paper, we interpret
the deep prior from a neural tangent kernel (NTK) perspective and show that the
completed shape patches by the trained CNN are naturally similar to existing
patches, as they are proximate in the kernel feature space induced by NTK. The
interpretation allows us to design more efficient network structures and
learning mechanisms for the shape completion and reconstruction task. Being
more aware of structural regularities than both traditional and other
unsupervised learning-based reconstruction methods, our approach completes
large missing regions with plausible shapes and complements supervised
learning-based methods that use database priors by requiring no extra training
data set and showing flexible adaptation to a particular shape instance.
- Abstract(参考訳): 深層ニューラルネットワークを用いて不完全なスキャンデータから3次元形状の完成と再構成を行う新しい手法を提案する。
教師付き完了タスクでトレーニングされ、テスト形状に適用される代わりに、ネットワークは単一のテスト形状をゼロから最適化し、その形状に完全に適応し、既知の領域からのコンテキストガイダンスを使用して欠落したデータを完成させる。
訓練されていないニューラルネットワークによって欠落したデータを完遂する能力は、通常、deep priorと呼ばれる。
本稿では,神経接核(ntk)の観点からの深部前処理を解釈し,訓練されたcnnによる形状パッチが,ntkによって誘導される核特徴空間において近在であるため,既存のパッチと自然に類似していることを示す。
この解釈により、より効率的なネットワーク構造と学習機構を設計し、形状の完成と復元を行うことができる。
従来型および他の教師なし学習に基づく再構築法よりも構造的規則性に気付いており,そのアプローチでは,十分な形状を持つ大きな欠落領域を完備し,追加のトレーニングデータセットを必要とせず,特定の形状インスタンスに柔軟な適応を示すことにより,データベースを優先的に使用する教師あり学習ベースの手法を補完する。
関連論文リスト
- When Deep Learning Meets Polyhedral Theory: A Survey [6.899761345257773]
過去10年間で、ディープ・ニューラル・ラーニングの顕著な精度のおかげで、ディープは予測モデリングの一般的な方法論となった。
一方、ニューラルネットワークの構造はより単純で線形な関数に収束した。
論文 参考訳(メタデータ) (2023-04-29T11:46:53Z) - Contour Completion using Deep Structural Priors [1.7399355670260819]
本稿では、不連結な輪郭を完備化し、断片化された線と曲線を接続するフレームワークを提案する。
本稿では,輪郭のどの領域が除去されているかを知る必要のないモデルを提案する。
我々の研究は、深い構造的前提を用いて輪郭完成を達成するための堅牢なフレームワークを構築し、そのようなモデルをどのように実装するかを広範囲に調査する。
論文 参考訳(メタデータ) (2023-02-09T05:45:33Z) - Gradient Descent in Neural Networks as Sequential Learning in RKBS [63.011641517977644]
初期重みの有限近傍にニューラルネットワークの正確な電力系列表現を構築する。
幅にかかわらず、勾配降下によって生成されたトレーニングシーケンスは、正規化された逐次学習によって正確に複製可能であることを証明した。
論文 参考訳(メタデータ) (2023-02-01T03:18:07Z) - Adaptive Convolutional Dictionary Network for CT Metal Artifact
Reduction [62.691996239590125]
本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。
我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。
本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
論文 参考訳(メタデータ) (2022-05-16T06:49:36Z) - Localized Persistent Homologies for more Effective Deep Learning [60.78456721890412]
ネットワークトレーニング中の位置を考慮に入れた新しいフィルタ機能を利用する手法を提案する。
この方法で訓練されたネットワークが抽出した曲線構造のトポロジを回復するのに役立つ道路の2次元画像と神経過程の3次元画像スタックを実験的に実証した。
論文 参考訳(メタデータ) (2021-10-12T19:28:39Z) - Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound
Reconstruction [61.62191904755521]
3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。
既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。
複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
論文 参考訳(メタデータ) (2021-07-31T16:06:50Z) - KShapeNet: Riemannian network on Kendall shape space for Skeleton based
Action Recognition [7.183483982542308]
骨格に基づく行動認識のための幾何学的深層学習手法を提案する。
骨格はまずケンドールの形状空間上の軌跡としてモデル化され、次に線型接空間に写像される。
結果として得られた構造化データは、剛性および非剛性変換を最適化するレイヤを含むディープラーニングアーキテクチャに供給される。
論文 参考訳(メタデータ) (2020-11-24T10:14:07Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳(メタデータ) (2020-08-19T04:53:31Z) - The Surprising Simplicity of the Early-Time Learning Dynamics of Neural
Networks [43.860358308049044]
研究において、これらの共通認識は、学習の初期段階において完全に誤りであることを示す。
この驚くべき単純さは、畳み込みアーキテクチャを持つより多くのレイヤを持つネットワークで持続することができる、と私たちは主張する。
論文 参考訳(メタデータ) (2020-06-25T17:42:49Z) - Deep Manifold Prior [37.725563645899584]
本稿では,3次元形状の表面などの多様体構造データに先行する手法を提案する。
この方法で生成された曲面は滑らかであり、ガウス過程を特徴とする制限的な挙動を示し、完全連結および畳み込みネットワークに対して数学的にそのような特性を導出する。
論文 参考訳(メタデータ) (2020-04-08T20:47:56Z)
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。