論文の概要: ORCEA: Object Recognition by Continuous Evidence Assimilation

• arxiv url: http://arxiv.org/abs/2105.04807v1
• Date: Tue, 11 May 2021 06:38:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-12 13:58:50.583111
• Title: ORCEA: Object Recognition by Continuous Evidence Assimilation
• Title（参考訳）: ORCEA:連続エビデンス同化による物体認識
• Authors: Oded Cohen
• Abstract要約: ORCEAは、生成モデルで記述可能なオブジェクトに適用可能な、新しいオブジェクト認識手法である。 ORCEAの主な目標は、オブジェクトパラメータ空間上の可能なマッチの確率密度分布を維持することである。 検出フェーズは、与えられた証拠のセットから生じる可能なマッチの共同分布を構築することからなる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: ORCEA is a novel object recognition method applicable for objects describable by a generative model. The primary goal of ORCEA is to maintain a probability density distribution of possible matches over the object parameter space, while continuously updating it with incoming evidence; detection and regression are by-products of this process. ORCEA can project primitive evidence of various types (edge element, area patches etc.) directly on the object parameter space; this made possible by the study phase where ORCEA builds a probabilistic model, for each evidence type, that links evidence and the object-parameters under which they were created. The detection phase consists of building the joint distribution of possible matches resulting from the set of given evidence, including possible grouping to signal/noise; no additional algorithmic steps are needed, as the resulting PDF encapsulates all knowledge about possible solutions. ORCEA represents the match distribution over the parameter space as a set of Gaussian distributions, each representing a concrete probabilistic hypothesis about the object, which can be used outside its scope as well. ORCEA was tested on synthetic images with varying levels of complexity and noise, and shows satisfactory results.
• Abstract（参考訳）: ORCEAは、生成モデルで記述可能なオブジェクトに適用可能な、新しいオブジェクト認識手法である。 ORCEAの第一の目的は、オブジェクトパラメータ空間上で起こりうる一致の確率密度分布を維持しながら、入ってくる証拠を継続的に更新することであり、検出と回帰は、このプロセスの副産物である。 orceaはさまざまなタイプの原始的な証拠(エッジ要素、エリアパッチなど)を投影できる。 これは、orceaが各エビデンスタイプに対して、証拠とそれらが作成された対象パラメータを関連付ける確率的モデルを構築する研究段階によって可能となった。 検出フェーズは、与えられた証拠の集合から得られる可能性のある一致の合同分布を構築し、信号/雑音にグループ化することを含む、追加のアルゴリズムステップは不要であり、結果としてPDFは可能な解に関するすべての知識をカプセル化する。 ORCEAは、パラメータ空間上の一致分布をガウス分布の集合として表現し、それぞれが対象に関する具体的な確率論的仮説を表し、その対象の範囲外でも使用できる。 ORCEAは、様々なレベルの複雑さとノイズを持つ合成画像で試験され、良好な結果が得られた。

関連論文リスト

• CUPID: Contextual Understanding of Prompt-conditioned Image Distributions [6.936466872687605]
  CUPIDは、プロンプト条件付き画像分布の文脈的理解のための可視化手法である。 CUPIDの中心は高次元分布を可視化する新しい手法であり、オブジェクトのコンテキスト化された埋め込みを低次元空間にマッピングする。 このような埋め込みによって、分布内のオブジェクトの健全なスタイルを発見できるだけでなく、異常なオブジェクトスタイルやまれなオブジェクトスタイルを識別できることを示す。
  論文  参考訳（メタデータ） (2024-06-11T20:26:41Z)
• General Identifiability and Achievability for Causal Representation Learning [33.80247458590611]
  本稿では,潜伏因果グラフにおけるノード毎の2つのハードアンカップリング介入を用いて,識別可能性と達成性を評価する。 同定可能性について,未結合の介入の下で潜伏因果モデルと変数の完全回復が保証されることを示す。 さらに、この分析は、2つのハードカップリングされた介入に対して、同一ノードが介在する2つの環境に関するメタデータが知られている場合に、識別可能性の結果を回復する。
  論文  参考訳（メタデータ） (2023-10-24T01:47:44Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• PROB: Probabilistic Objectness for Open World Object Detection [15.574535196804042]
  Open World Object Detection (OWOD)は、従来のオブジェクト検出(OD)ベンチマークと現実世界におけるオブジェクト検出のギャップを埋める新しいコンピュータビジョンタスクである。 本稿では,対象物の確率分布推定と対象度推定を交互に行う,対象度推定のための新しい確率的フレームワークを提案する。 Probabilistic Objectness-based open-world detector, PROBは、私たちのフレームワークを従来のオブジェクト検出モデルに統合します。
  論文  参考訳（メタデータ） (2022-12-02T20:04:24Z)
• Concrete Score Matching: Generalized Score Matching for Discrete Data [109.12439278055213]
  コンクレトスコア(Concrete score)とは、個別の設定のためのスコア(ステイン)の一般化である。 コンクレトスコアマッチング(Concrete Score Matching)は、サンプルからこのようなスコアを学習するフレームワークである。
  論文  参考訳（メタデータ） (2022-11-02T00:41:37Z)
• Suspected Object Matters: Rethinking Model's Prediction for One-stage Visual Grounding [93.82542533426766]
  疑似オブジェクト間の対象オブジェクト選択を促進するため,疑似オブジェクト変換機構(SOT)を提案する。 SOTは既存のCNNとTransformerベースのワンステージ視覚グラウンドにシームレスに統合できる。 実験の結果,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-03-10T06:41:07Z)
• IID-GAN: an IID Sampling Perspective for Regularizing Mode Collapse [82.49564071049366]
  GAN(Generative Adversarial Network)はまだモード崩壊に悩まされている。 我々は、この問題を独立かつ同一に分散されたIIDサンプリング視点で分析し、規則化しようと試みる。 本稿では,実データの逆サンプルとガウス音源との近接性を高め,対象分布から生成するIIDを正規化するための新たな損失を提案する。
  論文  参考訳（メタデータ） (2021-06-01T15:20:34Z)
• Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
  数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。 我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。 我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
  論文  参考訳（メタデータ） (2021-05-14T06:58:44Z)
• Closed-Form Factorization of Latent Semantics in GANs [65.42778970898534]
  画像合成のために訓練されたGAN(Generative Adversarial Networks)の潜在空間に、解釈可能な次元の豊富なセットが出現することが示されている。 本研究では,GANが学習した内部表現について検討し,その基礎となる変動要因を教師なしで明らかにする。 本稿では,事前学習した重みを直接分解することで,潜在意味発見のためのクローズドフォーム因数分解アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-13T18:05:36Z)
• Progressively-Growing AmbientGANs For Learning Stochastic Object Models From Imaging Measurements [14.501812971529137]
  医療画像システムの客観的な最適化には、測定データ中のランダム性のすべての源をフルに評価する必要がある。 本稿では,オブジェクトのクラスにおける変数を記述するオブジェクトモデル(SOM)の確立を提案する。 医用イメージングシステムは、物体特性のノイズや間接的な表現を示す画像計測を記録しているため、画像化対象のモデルを構築するために直接GANを適用することはできない。
  論文  参考訳（メタデータ） (2020-01-26T21:33:14Z)

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。