論文の概要: Discovering Relationships between Object Categories via Universal Canonical Maps

• arxiv url: http://arxiv.org/abs/2106.09758v1
• Date: Thu, 17 Jun 2021 18:38:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-22 04:12:47.258534
• Title: Discovering Relationships between Object Categories via Universal Canonical Maps
• Title（参考訳）: ユニバーサルカノニカルマップによる対象カテゴリ間の関係の発見
• Authors: Natalia Neverova, Artsiom Sanakoyeu, Patrick Labatut, David Novotny, Andrea Vedaldi
• Abstract要約: 変形可能なオブジェクトの複数カテゴリの幾何学を共同で学習する問題に取り組む。 近年の研究では、関連オブジェクトのいくつかのカテゴリに対して、統合された高密度ポーズ予測器を学習できることが示されている。 改良された対応性は,カテゴリ固有の高密度ポーズ予測器の自然な副産物として自動的に学習できることを示す。
• 参考スコア（独自算出の注目度）: 80.07703460198198
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We tackle the problem of learning the geometry of multiple categories of deformable objects jointly. Recent work has shown that it is possible to learn a unified dense pose predictor for several categories of related objects. However, training such models requires to initialize inter-category correspondences by hand. This is suboptimal and the resulting models fail to maintain correct correspondences as individual categories are learned. In this paper, we show that improved correspondences can be learned automatically as a natural byproduct of learning category-specific dense pose predictors. To do this, we express correspondences between different categories and between images and categories using a unified embedding. Then, we use the latter to enforce two constraints: symmetric inter-category cycle consistency and a new asymmetric image-to-category cycle consistency. Without any manual annotations for the inter-category correspondences, we obtain state-of-the-art alignment results, outperforming dedicated methods for matching 3D shapes. Moreover, the new model is also better at the task of dense pose prediction than prior work.
• Abstract（参考訳）: 変形可能なオブジェクトの複数カテゴリの幾何学を共同で学習する問題に取り組む。 近年の研究では、関連する対象のいくつかのカテゴリについて、統一的な姿勢予測子を学習できることが示されている。 しかし、そのようなモデルのトレーニングには、カテゴリー間の対応を手動で初期化する必要がある。 これは準最適であり、結果として得られるモデルは個々のカテゴリが学習されると正しい対応を維持することができない。 本稿では,改良された対応文を,カテゴリーに固有の密接なポーズ予測の自然な副産物として自動的に学習できることを示す。 これを実現するために,異なるカテゴリ間および画像とカテゴリ間の対応を統一埋め込みを用いて表現する。 次に、後者を用いて、対称なカテゴリー間サイクル一貫性と、新しい非対称なカテゴリ間サイクル整合性という2つの制約を強制する。 カテゴリー間対応のための手動アノテーションを使わずに,3次元形状のマッチングを行う専用手法よりも優れ,最先端のアライメント結果が得られる。 また,新しいモデルでは,事前の作業よりも濃厚なポーズ予測に適している。

関連論文リスト

• Learning Correspondence for Deformable Objects [3.5183793234085927]
  古典的手法と学習的手法を比較し,変形可能な物体,すなわち布とロープの画素対応について検討した。 本稿では,SIFT,SURF,ORBなどの特徴マッチングによる対応手法と,TimeCycle や Dense Object Nets などの学習に基づく2つの手法を網羅的に検討する。 提案手法は,非剛性(および剛性)物体に対する時間的および空間的連続的な対応を学習するための柔軟で汎用的な定式化を提供する。
  論文  参考訳（メタデータ） (2024-05-14T23:41:24Z)
• Prototype-based Embedding Network for Scene Graph Generation [105.97836135784794]
  現在のシーングラフ生成(SGG)手法は、コンテキスト情報を探索し、エンティティペア間の関係を予測する。 被写体と対象物の組み合わせが多様であるため、各述語カテゴリーには大きなクラス内変異が存在する。 プロトタイプベースのEmbedding Network (PE-Net) は、エンティティ/述語を、プロトタイプに準拠したコンパクトで独特な表現でモデル化する。 PLは、PE-Netがそのようなエンティティ述語マッチングを効率的に学習するのを助けるために導入され、不明瞭なエンティティ述語マッチングを緩和するためにプロトタイプ正規化(PR)が考案されている。
  論文  参考訳（メタデータ） (2023-03-13T13:30:59Z)
• G-MSM: Unsupervised Multi-Shape Matching with Graph-based Affinity Priors [52.646396621449]
  G-MSMは、非剛体形状対応のための新しい教師なし学習手法である。 学習形態の集合に親和性グラフを自己教師型で構築する。 近年の形状対応ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2022-12-06T12:09:24Z)
• Fully Convolutional Geometric Features for Category-level Object Alignment [12.741811850885309]
  本稿では,同じカテゴリの異なるオブジェクトインスタンスのポーズ登録に焦点を当てる。 提案手法は,同じカテゴリのインスタンスを正規化された標準座標フレームに変換し,計量学習を用いて完全な畳み込み幾何学的特徴を訓練する。
  論文  参考訳（メタデータ） (2021-03-08T00:31:56Z)
• Isometric Multi-Shape Matching [50.86135294068138]
  形状間の対応を見つけることは、コンピュータビジョンとグラフィックスの基本的な問題である。 アイソメトリーは形状対応問題においてしばしば研究されるが、マルチマッチング環境では明確には考慮されていない。 定式化を解くのに適した最適化アルゴリズムを提案し,コンバージェンスと複雑性解析を提供する。
  論文  参考訳（メタデータ） (2020-12-04T15:58:34Z)
• Continuous Surface Embeddings [76.86259029442624]
  我々は、変形可能な対象カテゴリーにおける密接な対応を学習し、表現するタスクに焦点をあてる。 本稿では,高密度対応の新たな学習可能な画像ベース表現を提案する。 提案手法は,人間の身近なポーズ推定のための最先端手法と同等以上の性能を示すことを示す。
  論文  参考訳（メタデータ） (2020-11-24T22:52:15Z)
• Commonality-Parsing Network across Shape and Appearance for Partially Supervised Instance Segmentation [71.59275788106622]
  そこで本稿では,マスク付分類から新しい分類へ一般化可能な,クラス非依存の共通性について考察する。 本モデルでは,COCOデータセット上のサンプルセグメンテーションにおける部分教師付き設定と少数ショット設定の両方において,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-24T07:23:44Z)

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。