論文の概要: Sketch-QNet: A Quadruplet ConvNet for Color Sketch-based Image Retrieval

• arxiv url: http://arxiv.org/abs/2104.11130v1
• Date: Thu, 22 Apr 2021 15:28:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-23 13:52:02.299927
• Title: Sketch-QNet: A Quadruplet ConvNet for Color Sketch-based Image Retrieval
• Title（参考訳）: Sketch-QNet:カラースケッチに基づく画像検索のための四重項ConvNet
• Authors: Anibal Fuentes and Jose M. Saavedra
• Abstract要約: 上記の弱点を克服する4重項アーキテクチャを提案する。 我々は、カラースケッチに基づく画像検索問題に対処するため、Sketch-QNetと呼ぶこの四脚ネットワークの例を示す。
• 参考スコア（独自算出の注目度）: 3.274290296343038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Architectures based on siamese networks with triplet loss have shown outstanding performance on the image-based similarity search problem. This approach attempts to discriminate between positive (relevant) and negative (irrelevant) items. However, it undergoes a critical weakness. Given a query, it cannot discriminate weakly relevant items, for instance, items of the same type but different color or texture as the given query, which could be a serious limitation for many real-world search applications. Therefore, in this work, we present a quadruplet-based architecture that overcomes the aforementioned weakness. Moreover, we present an instance of this quadruplet network, which we call Sketch-QNet, to deal with the color sketch-based image retrieval (CSBIR) problem, achieving new state-of-the-art results.
• Abstract（参考訳）: 三重項損失のあるシアムネットワークに基づくアーキテクチャは、画像ベース類似性探索問題において優れた性能を示した。 このアプローチは、正(関連)項目と負(関連)項目の区別を試みる。 しかし、致命的な弱点がある。 クエリが与えられた場合、特定のクエリと異なる色やテクスチャを持つ同じタイプのアイテムなど、弱い関連項目を判別することはできず、多くの現実世界の検索アプリケーションにとって深刻な制限となる可能性がある。 そこで本研究では,上記の弱点を克服する四重極系アーキテクチャを提案する。 さらに、カラースケッチに基づく画像検索(CSBIR)問題に対処するため、Sketch-QNetと呼ぶこの四重極ネットワークのインスタンスを新たに実現した。

関連論文リスト

• Fine-Tuned but Zero-Shot 3D Shape Sketch View Similarity and Retrieval [8.540349872620993]
  ゼロショット設定では、スケッチが抽象的になるほど、誤った画像が一致する可能性が高くなることを示す。 我々の研究の重要な発見の1つは、ある種類の3次元形状を巧妙に微調整することで、他の形状のクラスの性能が向上することである。
  論文  参考訳（メタデータ） (2023-06-14T14:40:50Z)
• CLIP for All Things Zero-Shot Sketch-Based Image Retrieval, Fine-Grained or Not [109.69076457732632]
  ゼロショットスケッチに基づく画像検索(ZS-SBIR)におけるCLIPの利用 私たちはこのシナジーを達成するのにいかに最適かという新しいデザインを提唱した。 これまでの最先端技術よりも26.9%の領域で顕著なパフォーマンス向上が観察された。
  論文  参考訳（メタデータ） (2023-03-23T17:02:00Z)
• SketchCleanNet -- A deep learning approach to the enhancement and correction of query sketches for a 3D CAD model retrieval system [0.6999740786886537]
  検索エンジンは、入力検索クエリと、検索するアイテムのデータベースを必要とする。 ユーザからのクエリは通常、スケッチの形式で、3Dモデルの詳細をキャプチャしようとする。 ケッチには、ギャップ、オーバードロー部分(マルチストローク)など、典型的な欠陥がある。 検索した結果が入力クエリに匹敵するので、より優れた検索結果を得るためには、スケッチのクリーンアップと強化が必要である。
  論文  参考訳（メタデータ） (2022-07-02T04:08:11Z)
• Domain-Smoothing Network for Zero-Shot Sketch-Based Image Retrieval [66.37346493506737]
  Zero-Shot Sketch-Based Image Retrieval (ZS-SBIR) は、新しいクロスモーダル検索タスクである。 ZS-SBIRのための新しいドメイン・スムーシング・ネットワーク(DSN)を提案する。 我々のアプローチは、SketchyとTU-Berlinの両方のデータセットで最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2021-06-22T14:58:08Z)
• Compositional Sketch Search [91.84489055347585]
  フリーハンドスケッチを用いて画像コレクションを検索するアルゴリズムを提案する。 シーン構成全体を特定するための簡潔で直感的な表現として描画を利用する。
  論文  参考訳（メタデータ） (2021-06-15T09:38:09Z)
• Collaboration among Image and Object Level Features for Image Colourisation [25.60139324272782]
  画像のカラー化は不適切な問題であり、入力データムに存在するコンテキストとオブジェクトインスタンスに依存する複数の正しいソリューションがある。 従来のアプローチは、強力なユーザーインタラクションを必要とするか、画像レベル(コンテキスト)機能を学ぶために畳み込みニューラルネットワーク(CNN)の能力を利用して、この問題を攻撃しました。 コンボリューションによって得られる画像レベルの特徴とカプセルによってキャプチャされるオブジェクトレベルの特徴を分離する,UCapsNetという単一のネットワークを提案する。 そして,異なる層間の接続をスキップすることで,これらの分離要因間の協調を強制し,高品質で再現可能な画像彩色を実現する。
  論文  参考訳（メタデータ） (2021-01-19T11:48:12Z)
• Tasks Integrated Networks: Joint Detection and Retrieval for Image Search [99.49021025124405]
  多くの現実世界の探索シナリオ(例えばビデオ監視)では、オブジェクトは正確に検出または注釈付けされることはめったにない。 まず、エンド・ツー・エンド統合ネット(I-Net)を紹介します。 さらに,2つの新しいコントリビューションを行うDC-I-Netという改良されたI-Netを提案する。
  論文  参考訳（メタデータ） (2020-09-03T03:57:50Z)
• Cross-Modal Hierarchical Modelling for Fine-Grained Sketch Based Image Retrieval [147.24102408745247]
  我々は、これまで見過ごされてきたスケッチのさらなる特性、すなわち、詳細レベルの階層性について研究する。 本稿では,スケッチ固有の階層を育成し,それを利用して,対応する階層レベルでのスケッチと写真とのマッチングを行う新しいネットワークを設計する。
  論文  参考訳（メタデータ） (2020-07-29T20:50:25Z)
• Sketch Less for More: On-the-Fly Fine-Grained Sketch Based Image Retrieval [203.2520862597357]
  きめ細かいスケッチベースの画像検索(FG-SBIR)は、ユーザのクエリのスケッチから特定の写真インスタンスを検索する問題に対処する。 これらの課題に対処するため、従来のFG-SBIRフレームワークを再構築する。 ユーザが絵を描き始めるとすぐに検索を開始できるオンザフライ設計を提案する。
  論文  参考訳（メタデータ） (2020-02-24T15:36:02Z)

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。