論文の概要: A deep learning approach to clustering visual arts
- arxiv url: http://arxiv.org/abs/2106.06234v1
- Date: Fri, 11 Jun 2021 08:35:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-14 23:17:31.864328
- Title: A deep learning approach to clustering visual arts
- Title(参考訳): 視覚芸術のクラスタリングへのディープラーニングアプローチ
- Authors: Giovanna Castellano, Gennaro Vessio
- Abstract要約: 本稿では,deep Learning approach to cLustering vIsUal artSを提案する。
この方法は、事前訓練された畳み込みネットワークを使用して特徴を抽出し、これらの特徴を深い組込みクラスタリングモデルに供給する。
生の入力データを潜在空間にマッピングするタスクは、この潜在空間内のクラスタセントロイドの集合を見つけるタスクと共同で最適化される。
- 参考スコア(独自算出の注目度): 7.363576598794859
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clustering artworks is difficult for several reasons. On the one hand,
recognizing meaningful patterns based on domain knowledge and visual perception
is extremely hard. On the other hand, applying traditional clustering and
feature reduction techniques to the highly dimensional pixel space can be
ineffective. To address these issues, in this paper we propose DELIUS: a DEep
learning approach to cLustering vIsUal artS. The method uses a pre-trained
convolutional network to extract features and then feeds these features into a
deep embedded clustering model, where the task of mapping the raw input data to
a latent space is jointly optimized with the task of finding a set of cluster
centroids in this latent space. Quantitative and qualitative experimental
results show the effectiveness of the proposed method. DELIUS can be useful for
several tasks related to art analysis, in particular visual link retrieval and
historical knowledge discovery in painting datasets.
- Abstract(参考訳): アートワークのクラスタリングはいくつかの理由から難しい。
一方、ドメイン知識と視覚的知覚に基づいて意味のあるパターンを認識することは極めて難しい。
一方, 従来のクラスタリング法や特徴量削減法を高次元画素空間に適用することは有効ではない。
本稿では,cLustering vIsUal artSに対するDeep LearningアプローチであるDELIUSを提案する。
この方法は、事前訓練された畳み込みネットワークを用いて特徴を抽出し、これらの特徴を深層クラスタリングモデルに供給し、この潜伏空間におけるクラスタセントロイドの集合を見つけるタスクと、生の入力データを潜伏空間にマッピングするタスクを協調的に最適化する。
定量的および定性的な実験結果から,提案手法の有効性が示された。
DELIUSは、特に絵画データセットにおける視覚的リンク検索と歴史的知識発見に関連するいくつかのタスクに有用である。
関連論文リスト
- Deep ContourFlow: Advancing Active Contours with Deep Learning [3.9948520633731026]
画像分割のための教師なしとワンショットの両方のアプローチのためのフレームワークを提案する。
広範なラベル付きトレーニングデータを必要とせずに、複雑なオブジェクト境界をキャプチャできる。
これは特に、注釈の不足に直面している分野である歴史学において必要である。
論文 参考訳(メタデータ) (2024-07-15T13:12:34Z) - Hyperspectral Image Analysis in Single-Modal and Multimodal setting
using Deep Learning Techniques [1.2328446298523066]
ハイパースペクトルイメージングは、その例外的なスペクトル分解能のため、土地利用とカバーの正確な分類を提供する。
しかし、高次元化と空間分解能の制限による課題は、その効果を妨げている。
本研究では,深層学習技術を用いて特徴を効率的に処理し,抽出し,データを統合的に分類することで,これらの課題に対処する。
論文 参考訳(メタデータ) (2024-03-03T15:47:43Z) - 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) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳(メタデータ) (2023-04-20T11:40:21Z) - Attentive Multi-View Deep Subspace Clustering Net [4.3386084277869505]
我々は,AMVDSN(Attentive Multi-View Deep Subspace Nets)を提案する。
提案手法は,コンセンサス情報とビュー固有情報の両方を明示的に考慮した有意な潜在表現を求める。
7つの実世界のデータセットに対する実験結果から,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2021-12-23T12:57:26Z) - Clustering augmented Self-Supervised Learning: Anapplication to Land
Cover Mapping [10.720852987343896]
本稿では,自己教師型学習のためのクラスタリングに基づくプレテキストタスクを用いて,土地被覆マッピングの新しい手法を提案する。
社会的に関係のある2つのアプリケーションに対して,本手法の有効性を示す。
論文 参考訳(メタデータ) (2021-08-16T19:35:43Z) - Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。
我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2021-04-05T14:15:49Z) - Context Decoupling Augmentation for Weakly Supervised Semantic
Segmentation [53.49821324597837]
微調整されたセマンティックセグメンテーションは、近年深く研究されている困難な問題です。
本稿では、オブジェクトが現れる固有のコンテキストを変更する Context Decoupling Augmentation (CDA) メソッドを紹介します。
提案手法の有効性を検証するため, PASCAL VOC 2012データセットにいくつかの代替ネットワークアーキテクチャを用いた広範な実験を行い, CDAが様々なWSSS手法を新たな最先端技術に拡張できることを実証した。
論文 参考訳(メタデータ) (2021-03-02T15:05:09Z) - Heterogeneous Contrastive Learning: Encoding Spatial Information for
Compact Visual Representations [183.03278932562438]
本稿では,エンコーディング段階に空間情報を加えることで,対照的な目的と強いデータ拡張操作の間の学習の不整合を緩和する効果的な手法を提案する。
提案手法は,視覚表現の効率を向上し,自己指導型視覚表現学習の今後の研究を刺激する鍵となるメッセージを提供する。
論文 参考訳(メタデータ) (2020-11-19T16:26:25Z) - Gradient-Induced Co-Saliency Detection [81.54194063218216]
Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。
本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
論文 参考訳(メタデータ) (2020-04-28T08:40:55Z) - Deep convolutional embedding for digitized painting clustering [14.228308494671703]
本稿では,デジタル絵画クラスタリングのための深層畳み込み埋め込みモデルを提案する。
このモデルは、同じ問題に対して他の最先端のディープクラスタリングアプローチより優れている。
提案手法は,絵画データセットにおける視覚的リンク検索や歴史的知識発見など,美術関連タスクに有用である。
論文 参考訳(メタデータ) (2020-03-19T06:49:38Z)
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。