論文の概要: Elliptical Ordinal Embedding

• arxiv url: http://arxiv.org/abs/2105.10457v2
• Date: Tue, 25 May 2021 16:45:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-28 09:28:11.311091
• Title: Elliptical Ordinal Embedding
• Title（参考訳）: 楕円型正規埋め込み
• Authors: A\"issatou Diallo and Johannes F\"urnkranz
• Abstract要約: 通常の埋め込みは、「item $j$ is close to item $i$ than item $k$」という形式の制約の集合からオブジェクトの低次元表現を見つけることを目的としている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ordinal embedding aims at finding a low dimensional representation of objects from a set of constraints of the form "item $j$ is closer to item $i$ than item $k$". Typically, each object is mapped onto a point vector in a low dimensional metric space. We argue that mapping to a density instead of a point vector provides some interesting advantages, including an inherent reflection of the uncertainty about the representation itself and its relative location in the space. Indeed, in this paper, we propose to embed each object as a Gaussian distribution. We investigate the ability of these embeddings to capture the underlying structure of the data while satisfying the constraints, and explore properties of the representation. Experiments on synthetic and real-world datasets showcase the advantages of our approach. In addition, we illustrate the merit of modelling uncertainty, which enriches the visual perception of the mapped objects in the space.
• Abstract（参考訳）: 通常の埋め込みは、"item $j$ is close to item $i$ than item $k$"という形式の制約の集合からオブジェクトの低次元表現を見つけることを目的としている。 典型的には、各対象は低次元距離空間内の点ベクトルに写像される。 我々は、点ベクトルではなく密度への写像は、表現そのものとその空間における相対的な位置に関する不確かさを本質的に反映するなど、興味深い利点をもたらすと主張している。 実際、本論文では、各対象をガウス分布として埋め込むことを提案する。 本研究では,これらの埋め込みが制約を満たすことなくデータの基盤構造を捕捉し,表現の性質を探求する能力について検討する。 合成および実世界のデータセットの実験は、我々のアプローチの利点を示している。 さらに、空間内のマッピング対象の視覚的知覚を豊かにする不確実性をモデル化する利点について述べる。

関連論文リスト

• Category-level Shape Estimation for Densely Cluttered Objects [94.64287790278887]
  そこで本研究では,密に散らばった物体のカテゴリレベルの形状推定手法を提案する。 我々のフレームワークは、多視点視覚情報融合によって、各オブジェクトをクラッタに分割する。 シミュレーション環境と実世界の実験から,本手法が高精度な形状推定を実現することが示された。
  論文  参考訳（メタデータ） (2023-02-23T13:00:17Z)
• Interpretable Dimensionality Reduction by Feature Preserving Manifold Approximation and Projection [6.957709719988906]
  achievementMAPは、それらを低次元の埋め込み空間に埋め込むことで、ソースの特徴を保存する。 我々は、桁分類、オブジェクト検出、MNIST対逆例の解釈にdeadMAPを適用した。
  論文  参考訳（メタデータ） (2022-11-17T03:43:04Z)
• Shape And Structure Preserving Differential Privacy [70.08490462870144]
  正方形距離関数の勾配がラプラス機構よりも感度をよりよく制御できることを示す。 また,2乗距離関数の勾配を用いることで,ラプラス機構よりも感度を制御できることを示す。
  論文  参考訳（メタデータ） (2022-09-21T18:14:38Z)
• ImpDet: Exploring Implicit Fields for 3D Object Detection [74.63774221984725]
  我々は、境界ボックス回帰を暗黙の関数として見る新しい視点を導入する。 これは、Implicit DetectionまたはImpDetと呼ばれる提案されたフレームワークにつながります。 我々のImpDetは、異なる局所的な3次元空間の点に特定の値を割り当て、高品質な境界を生成することができる。
  論文  参考訳（メタデータ） (2022-03-31T17:52:12Z)
• Discovering Objects that Can Move [55.743225595012966]
  手動ラベルなしでオブジェクトを背景から分離する、オブジェクト発見の問題について検討する。 既存のアプローチでは、色、テクスチャ、位置などの外観の手がかりを使用して、ピクセルをオブジェクトのような領域に分類する。 私たちは、動的オブジェクト -- 世界で独立して動くエンティティ -- にフォーカスすることを選びます。
  論文  参考訳（メタデータ） (2022-03-18T21:13:56Z)
• ELLIPSDF: Joint Object Pose and Shape Optimization with a Bi-level Ellipsoid and Signed Distance Function Description [9.734266860544663]
  本稿では,関節オブジェクトのポーズと形状最適化のための表現的かつコンパクトなモデルを提案する。 多視点RGB-Dカメラ観測からオブジェクトレベルのマップを推論する。 提案手法は,大規模実世界のScanNetデータセットを用いて評価し,最先端の手法と比較する。
  論文  参考訳（メタデータ） (2021-08-01T03:07:31Z)
• 3D Object Classification on Partial Point Clouds: A Practical Perspective [91.81377258830703]
  点雲は3次元オブジェクト分類において一般的な形状表現である。 本稿では,任意のポーズの下でオブジェクトインスタンスの部分点雲を分類する実践的な設定を提案する。 本稿では,アライメント分類手法による新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-18T04:00:56Z)
• Global-Local Bidirectional Reasoning for Unsupervised Representation Learning of 3D Point Clouds [109.0016923028653]
  局所構造とグローバル形状の双方向推論による点雲表現を人間の監督なしに学習する。 本研究では, 実世界の3次元オブジェクト分類データセットにおいて, 教師なしモデルが最先端の教師付き手法を超越していることを示す。
  論文  参考訳（メタデータ） (2020-03-29T08:26:08Z)

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。