論文の概要: AutoFlow: Learning a Better Training Set for Optical Flow

• arxiv url: http://arxiv.org/abs/2104.14544v1
• Date: Thu, 29 Apr 2021 17:55:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-30 12:57:34.456090
• Title: AutoFlow: Learning a Better Training Set for Optical Flow
• Title（参考訳）: AutoFlow: 光フローのためのより良いトレーニングセットを学ぶ
• Authors: Deqing Sun, Daniel Vlasic, Charles Herrmann, Varun Jampani, Michael Krainin, Huiwen Chang, Ramin Zabih, William T. Freeman, Ce Liu
• Abstract要約: AutoFlowは、光学フローのトレーニングデータをレンダリングする手法である。 AutoFlowはPWC-NetとRAFTの両方の事前トレーニングにおいて最先端の精度を実現する。
• 参考スコア（独自算出の注目度）: 62.40293188964933
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic datasets play a critical role in pre-training CNN models for optical flow, but they are painstaking to generate and hard to adapt to new applications. To automate the process, we present AutoFlow, a simple and effective method to render training data for optical flow that optimizes the performance of a model on a target dataset. AutoFlow takes a layered approach to render synthetic data, where the motion, shape, and appearance of each layer are controlled by learnable hyperparameters. Experimental results show that AutoFlow achieves state-of-the-art accuracy in pre-training both PWC-Net and RAFT. Our code and data are available at https://autoflow-google.github.io .
• Abstract（参考訳）: 合成データセットは、光学フローのためのCNNモデルの事前トレーニングにおいて重要な役割を果たすが、新しいアプリケーションに適応するのに苦労している。 プロセスを自動化するために、ターゲットデータセット上でモデルの性能を最適化する光学フローのトレーニングデータを簡易かつ効果的にレンダリングするAutoFlowを提案する。 AutoFlowは、各レイヤの動き、形状、外観が学習可能なハイパーパラメータによって制御される合成データのレンダリングに階層化されたアプローチを採用している。 実験の結果,AutoFlowはPWC-NetとRAFTの両方の事前学習において,最先端の精度を実現することがわかった。 コードとデータはhttps://autoflow-google.github.ioで入手できます。

関連論文リスト

• PeRFlow: Piecewise Rectified Flow as Universal Plug-and-Play Accelerator [73.80050807279461]
  Piecewise Rectified Flow (PeRFlow) は拡散モデルの高速化のためのフローベース手法である。 PeRFlowは数ステップの世代で優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-05-13T07:10:53Z)
• AutoFT: Learning an Objective for Robust Fine-Tuning [60.641186718253735]
  ファンデーションモデルは、微調整によって下流タスクに適応できるリッチな表現をエンコードする。 手作り正則化技術を用いた頑健な微調整への最近のアプローチ 我々は、堅牢な微調整のためのデータ駆動型アプローチであるAutoFTを提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:58:49Z)
• BlinkFlow: A Dataset to Push the Limits of Event-based Optical Flow Estimation [76.66876888943385]
  イベントカメラは、高時間精度、低データレート、高ダイナミックレンジ視覚知覚を提供する。 イベントベース光フローのための大規模データを高速に生成するための新しいシミュレータBlinkSimを提案する。
  論文  参考訳（メタデータ） (2023-03-14T09:03:54Z)
• Self-supervised AutoFlow [68.63377382262293]
  実世界の動画を地上の真理ラベルなしで処理するための自己教師型AutoFlowを導入する。 自己監督的損失を検索指標として,自監督型AutoFlowとSintelのAutoFlowと同等に動作します。
  論文  参考訳（メタデータ） (2022-12-04T08:09:12Z)
• RealFlow: EM-based Realistic Optical Flow Dataset Generation from Videos [28.995525297929348]
  RealFlowは、ラベルのないリアルなビデオから直接、大規模な光フローデータセットを作成することができるフレームワークである。 まず,一対のビデオフレーム間の光フローを推定し,予測されたフローに基づいて,このペアから新たな画像を生成する。 本手法は,教師付きおよび教師なしの光流法と比較して,2つの標準ベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-07-22T13:33:03Z)
• Semi-Supervised Learning of Optical Flow by Flow Supervisor [16.406213579356795]
  そこで本研究では,事前学習したモデルに対して,地中真実の流れを伴わずに,目標データセットに適応するファインチューニング手法を提案する。 この設計は、従来の自己超越法よりも安定した収束と精度の向上を目的としている。 我々は,Sintel および KITTI ベンチマークにおける最先端光学フローモデルに対する有意義な改善を実現する。
  論文  参考訳（メタデータ） (2022-07-21T06:11:52Z)
• Online AutoML: An adaptive AutoML framework for online learning [6.6389732792316005]
  本研究では,データドリフトに継続的に適応しながら,オンライン学習のためのパイプライン設計を自動化することを目的とする。 このシステムは,オンライン学習者固有の適応能力とAutoMLの高速自動パイプライン(再最適化機能)を組み合わせる。
  論文  参考訳（メタデータ） (2022-01-24T15:37:20Z)
• Automatic deep learning for trend prediction in time series data [0.0]
  時系列データのトレンドを予測するためにディープニューラルネットワーク(DNN)アルゴリズムが検討されている。 多くの実世界のアプリケーションでは、時系列データは動的システムから取得される。 モデル開発プロセスを自動化するために,最新のAutoMLツールを効果的に利用する方法を示す。
  論文  参考訳（メタデータ） (2020-09-17T19:47:05Z)
• AutoFIS: Automatic Feature Interaction Selection in Factorization Models for Click-Through Rate Prediction [75.16836697734995]
  自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。 AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。 AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
  論文  参考訳（メタデータ） (2020-03-25T06:53:54Z)

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。