Fugu-MT 論文翻訳(概要): Eigenbackground Revisited: Can We Model the Background with Eigenvectors?

論文の概要: Eigenbackground Revisited: Can We Model the Background with Eigenvectors?

arxiv url: http://arxiv.org/abs/2104.11379v1
Date: Fri, 23 Apr 2021 02:21:03 GMT
ステータス: 処理完了
システム内更新日: 2021-04-26 13:08:27.592835
Title: Eigenbackground Revisited: Can We Model the Background with Eigenvectors?
Title（参考訳）: eigenbackground再訪:eigenvectorsでバックグラウンドをモデル化できるか?
Authors: Mahmood Amintoosi, Farzam Farbiz
Abstract要約: 固有ベクトルの主な問題は自身のコアにあることを示し、実のところ、背景のモデリングに最強の固有ベクトルを使うのは良い考えではない。代わりに、最も弱い固有ベクトルを利用して代替ソリューションを提案します。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Using dominant eigenvectors for background modeling (usually known as Eigenbackground) is a common technique in the literature. However, its results suffer from noticeable artifacts. Thus have been many attempts to reduce the artifacts by making some improvements/enhancement in the Eigenbackground algorithm. In this paper, we show the main problem of the Eigenbackground is in its own core and in fact, it is not a good idea to use strongest eigenvectors for modeling the background. Instead, we propose an alternative solution by exploiting the weakest eigenvectors (which are usually thrown away and treated as garbage data) for background modeling. MATLAB codes are available at \url{https://github.com/mamintoosi/Eigenbackground-Revisited}
Abstract（参考訳）: 背景モデリングに支配的な固有ベクトル(通常は固有バックグラウンド)を用いることは、文学において一般的なテクニックである。しかし、その成果は目立った成果物に苦しむ。このように、Eigenbackgroundアルゴリズムの改良や強化によって、アーティファクトを削減しようとする試みが数多く行われている。本稿では,固有バックグラウンドの主な問題は,そのコアにあることを示し,その背景をモデル化するために最強の固有ベクトルを用いるのは良い考えではないことを示す。代わりに、最も弱い固有ベクトル(通常、捨てられてゴミデータとして扱われる)を背景モデリングに利用して代替ソリューションを提案する。 MATLAB コードは \url{https://github.com/mamintoosi/Eigenbackground-Revisited} で利用可能である。

関連論文リスト

NIVeL: Neural Implicit Vector Layers for Text-to-Vector Generation [27.22029199085009]
NIVeL はこの問題をベクトルグラフィックスの望ましい特性を保存する別の中間領域で再解釈する。実験の結果,NIVeL はテキストからベクターまでのグラフィクスの結果を,最先端のグラフィクスよりもはるかに高い品質で生成した。
論文参考訳（メタデータ） (2024-05-24T05:15:45Z)
Graph Generation via Spectral Diffusion [51.60814773299899]
本稿では,1)グラフラプラシア行列のスペクトル分解と2)拡散過程に基づく新しいグラフ生成モデルGRASPを提案する。具体的には、固有ベクトルと固有値のサンプリングにデノナイジングモデルを用い、グラフラプラシアン行列と隣接行列を再構成する。我々の置換不変モデルは各ノードの固有ベクトルに連結することでノードの特徴を扱える。
論文参考訳（メタデータ） (2024-02-29T09:26:46Z)
DGInStyle: Domain-Generalizable Semantic Segmentation with Image Diffusion Models and Stylized Semantic Control [68.14798033899955]
大規模で事前訓練された潜伏拡散モデル(LDM)は、創造的コンテンツを生成できる異常な能力を示した。しかし、それらは例えば、セマンティックセグメンテーションのような知覚スタックのタスクを改善するために、大規模なデータジェネレータとして使用できますか? 自律運転の文脈でこの疑問を考察し、「はい」という言い換えで答える。
論文参考訳（メタデータ） (2023-12-05T18:34:12Z)
Learning Spatial-Temporal Regularized Tensor Sparse RPCA for Background Subtraction [6.825970634402847]
正確な背景抽出のための時空間正規化テンソルスパース RPCA アルゴリズムを提案する。 6つのパブリックなバックグラウンドサブトラクションデータセットで実験が行われる。
論文参考訳（メタデータ） (2023-09-27T11:21:31Z)
BSDM: Background Suppression Diffusion Model for Hyperspectral Anomaly Detection [29.01709467137784]
ハイパースペクトル異常検出(HAD)の大きな課題は、入力ハイパースペクトル画像(HSI)の複雑な背景である。本稿では,HADのための新しいソリューションBSDM(backgroundpression diffusion model)を提案する。これは,遅延背景分布を同時に学習し,複雑な背景を抑えるために異なるデータセットに一般化することができる。我々の研究は、手動でラベル付けされたデータを必要とすることなく、HADの性能を向上させる新しいバックグラウンド抑圧手法を練り上げた。
論文参考訳（メタデータ） (2023-07-19T09:45:06Z)
Sign and Basis Invariant Networks for Spectral Graph Representation Learning [75.18802152811539]
SignNetとBasisNetは、すべての必須対称性に不変な新しいニューラルアーキテクチャであり、したがって、原則化された方法で固有空間のコレクションを処理する。我々のネットワークは理論的にはグラフ表現学習に強い -- 任意のスペクトルグラフ畳み込みを近似することができる。実験により、スペクトルグラフフィルタの学習とグラフ位置エンコーディングの学習のためのネットワークの強みが示された。
論文参考訳（メタデータ） (2022-02-25T23:11:59Z)
Improved analysis of randomized SVD for top-eigenvector approximation [16.905540623795467]
そこで本研究では,無作為なSVDアルゴリズムであるcitethalko2011finding を新たに解析し,興味のある場合の厳密な境界を導出する。特に、これは任意の反復数を持つランダム化SVDに対して$R(hatmathbfu)$の非自明な境界を与える最初の作品である。
論文参考訳（メタデータ） (2022-02-16T11:12:07Z)
Robust Differentiable SVD [117.35644933471401]
対称行列の固有分解は多くのコンピュータビジョンアルゴリズムの中心にある。不安定性は互いに近い固有値の存在によって生じる。 SVD勾配のテイラー展開は、反復過程に依存することなくPIを用いて得られる勾配と理論的に等価であることを示す。
論文参考訳（メタデータ） (2021-04-08T15:04:15Z)
Learning Sparse Graph Laplacian with K Eigenvector Prior via Iterative GLASSO and Projection [58.5350491065936]
グラフ Laplacian 行列 $L$ 上の構造的仮定を考える。最初の$K$ eigenvectors of $L$は、例えばドメイン固有の基準に基づいて事前選択される。本稿では,H_u+$$$$barC$で最も適切なグラフラプラシアン行列$L*を計算するために,効率的なハイブリッドグラフラッソ/投影アルゴリズムを設計する。
論文参考訳（メタデータ） (2020-10-25T18:12:50Z)
Removing the Background by Adding the Background: Towards Background Robust Self-supervised Video Representation Learning [105.42550534895828]
自己教師付き学習は、ディープニューラルネットワークの映像表現能力を改善する大きな可能性を示している。現在の手法のいくつかは背景から騙される傾向があり、つまり、予測は動きではなく動画の背景に大きく依存する。背景を追加することで背景の影響を取り除くことを提案する。つまり、ビデオの場合、静的なフレームをランダムに選択し、他のフレームに付加して、邪魔なビデオサンプルを構築する。そして、モデルを強制的に、気を散らすビデオの特徴とオリジナルビデオの特徴を近づけることで、モデルが明示的に制限されるようにします。
論文参考訳（メタデータ） (2020-09-12T11:25:13Z)

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。