Fugu-MT 論文翻訳(概要): Matching Targets Across Domains with RADON, the Re-Identification Across Domain Network

論文の概要: Matching Targets Across Domains with RADON, the Re-Identification Across Domain Network

arxiv url: http://arxiv.org/abs/2105.12056v1
Date: Tue, 25 May 2021 16:36:38 GMT
ステータス: 処理完了
システム内更新日: 2021-05-26 14:24:49.737121
Title: Matching Targets Across Domains with RADON, the Re-Identification Across Domain Network
Title（参考訳）: ドメイン網間の再同定であるRADONによるドメイン間のマッチング
Authors: Cassandra Burgess, Cordelia Neisinger, Rafael Dinner
Abstract要約: 本稿では、異なる視点から撮影した物体の画像や、異なる光学センサーで撮影された物体の画像と一致することを学習する、新しい畳み込みニューラルネットワークを提案する。弊社のアプローチは、これまでのSiameseネットワークの取り組みを拡張し、それらをより困難なユースケースに修正する。
参考スコア（独自算出の注目度）: 7.289230074480914
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We present a novel convolutional neural network that learns to match images of an object taken from different viewpoints or by different optical sensors. Our Re-Identification Across Domain Network (RADON) scores pairs of input images from different domains on similarity. Our approach extends previous work on Siamese networks and modifies them to more challenging use cases, including low- and no-shot learning, in which few images of a specific target are available for training. RADON shows strong performance on cross-view vehicle matching and cross-domain person identification in a no-shot learning environment.
Abstract（参考訳）: 本稿では、異なる視点から撮影した物体の画像と異なる光学センサーでマッチングする新しい畳み込みニューラルネットワークを提案する。我々のRe-Identification Across Domain Network (RADON)は、類似性に基づいて異なるドメインから入力画像のペアをスコアする。当社のアプローチは、siameseネットワークに関するこれまでの作業を拡張し、訓練対象のイメージがほとんどない、低ショット学習や無ショット学習など、より困難なユースケースに修正する。 RADONは、ノンショット学習環境において、クロスビュー車両マッチングとクロスドメイン人物識別に強い性能を示す。

関連論文リスト

Unsupervised Domain Adaptation with Contrastive Learning for OCT Segmentation [49.59567529191423]
本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
論文参考訳（メタデータ） (2022-03-07T19:02:26Z)
Semantic decoupled representation learning for remote sensing image change detection [17.548248093344576]
RS画像CDのセマンティックデカップリング表現学習を提案する。我々は、セマンティックマスクを利用して、異なるセマンティック領域の表現をアンタングルする。さらに、下流CDタスクにおける関心対象の認識に役立ち、異なる意味表現を区別するようモデルに強制する。
論文参考訳（メタデータ） (2022-01-15T07:35:26Z)
Segmentation of Roads in Satellite Images using specially modified U-Net CNNs [0.0]
本研究の目的は,道路画像の特定を行う都市景観の衛星画像の分類器を構築することである。従来のコンピュータビジョンアルゴリズムとは異なり、畳み込みニューラルネットワーク(CNN)はこのタスクに対して正確で信頼性の高い結果を提供する。
論文参考訳（メタデータ） (2021-09-29T19:08:32Z)
WEDGE: Web-Image Assisted Domain Generalization for Semantic Segmentation [72.88657378658549]
本稿では,Web画像の多様性を一般化可能なセマンティックセグメンテーションに活用したWEb画像支援ドメインゲネラライゼーション手法を提案する。また,ウェブクローラー画像のスタイルをトレーニング中のトレーニング画像に注入する手法を提案する。
論文参考訳（メタデータ） (2021-09-29T05:19:58Z)
Self-Supervised Learning of Domain Invariant Features for Depth Estimation [35.74969527929284]
単一画像深度推定のための教師なし合成-現実的領域適応の課題に対処する。単一画像深度推定の重要なビルディングブロックはエンコーダ・デコーダ・タスク・ネットワークであり、RGB画像を入力とし、出力として深度マップを生成する。本稿では,タスクネットワークにドメイン不変表現を自己教師型で学習させる新たなトレーニング戦略を提案する。
論文参考訳（メタデータ） (2021-06-04T16:45:48Z)
Joint Learning of Neural Transfer and Architecture Adaptation for Image Recognition [77.95361323613147]
現在の最先端の視覚認識システムは、大規模データセット上でニューラルネットワークを事前トレーニングし、より小さなデータセットでネットワーク重みを微調整することに依存している。本稿では,各ドメインタスクに適応したネットワークアーキテクチャの動的適応と,効率と効率の両面で重みの微調整の利点を実証する。本手法は,ソースドメインタスクでスーパーネットトレーニングを自己教師付き学習に置き換え,下流タスクで線形評価を行うことにより,教師なしパラダイムに容易に一般化することができる。
論文参考訳（メタデータ） (2021-03-31T08:15:17Z)
DoFE: Domain-oriented Feature Embedding for Generalizable Fundus Image Segmentation on Unseen Datasets [96.92018649136217]
対象ドメインに対するCNNの一般化能力を向上させるために,新しいドメイン指向特徴埋め込み(DoFE)フレームワークを提案する。私たちのDoFEフレームワークは、マルチソースドメインから学んだ追加のドメイン事前知識で、画像機能を動的に強化します。本フレームワークは、未確認データセットのセグメンテーション結果を満足して生成し、他の領域の一般化やネットワークの正規化手法を超越する。
論文参考訳（メタデータ） (2020-10-13T07:28:39Z)
Unsupervised Change Detection in Satellite Images with Generative Adversarial Network [20.81970476609318]
本稿では,GAN(Generative Adversarial Network)を用いた新たな変更検出フレームワークを提案する。最適化されたGANモデルは、変更を容易に発見できる良質なコアギスター画像を生成し、その後、比較戦略を通じて変更マップを提示する。
論文参考訳（メタデータ） (2020-09-08T10:26:04Z)
Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
論文参考訳（メタデータ） (2020-05-15T23:57:36Z)
Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
論文参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。