論文の概要: Non-linear Visual Knowledge Discovery with Elliptic Paired Coordinates
- arxiv url: http://arxiv.org/abs/2107.04974v1
- Date: Sun, 11 Jul 2021 05:53:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-13 16:05:56.041732
- Title: Non-linear Visual Knowledge Discovery with Elliptic Paired Coordinates
- Title（参考訳）: 楕円ペア座標を用いた非線形視覚知識発見
- Authors: Rose McDonald, Boris Kovalerchuk
- Abstract要約: この章では、新しい楕円ペア座標(EPC)視覚化を使用してインタラクティブに予測機械学習モデルを発見する効率について説明する。
平行座標と放射座標とは対照的に、ECC視覚化は各n-D点の視覚要素の半分しか必要としない。
本研究で開発された対話型ソフトウェアシステムEllipseVisは、高次元データセットを処理し、EPCビジュアライゼーションを作成し、EPCにおける支配ルールを発見して予測的分類モデルを生成する。
- 参考スコア（独自算出の注目度）: 9.13755431537592
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is challenging for humans to enable visual knowledge discovery in data
with more than 2-3 dimensions with a naked eye. This chapter explores the
efficiency of discovering predictive machine learning models interactively
using new Elliptic Paired coordinates (EPC) visualizations. It is shown that
EPC are capable to visualize multidimensional data and support visual machine
learning with preservation of multidimensional information in 2-D. Relative to
parallel and radial coordinates, EPC visualization requires only a half of the
visual elements for each n-D point. An interactive software system EllipseVis,
which is developed in this work, processes high-dimensional datasets, creates
EPC visualizations, and produces predictive classification models by
discovering dominance rules in EPC. By using interactive and automatic
processes it discovers zones in EPC with a high dominance of a single class.
The EPC methodology has been successful in discovering non-linear predictive
models with high coverage and precision in the computational experiments. This
can benefit multiple domains by producing visually appealing dominance rules.
This chapter presents results of successful testing the EPC non-linear
methodology in experiments using real and simulated data, EPC generalized to
the Dynamic Elliptic Paired Coordinates (DEPC), incorporation of the weights of
coordinates to optimize the visual discovery, introduction of an alternative
EPC design and introduction of the concept of incompact machine learning
methodology based on EPC/DEPC.
- Abstract（参考訳）: 裸眼で2-3次元以上のデータから視覚的な知識を発見できることは、人間が困難である。
本章では,新しいepc(eliptic paired coordinates)可視化を用いて,予測機械学習モデルをインタラクティブに発見する効率について検討する。
EPCは,多次元データを可視化し,多次元情報を2次元で保存した視覚機械学習を支援する。
平行座標と放射座標と比較して、epcの可視化は各n-d点の視覚要素の半分しか必要としない。
本研究で開発された対話型ソフトウェアシステムEllipseVisは、高次元データセットを処理し、EPCビジュアライゼーションを作成し、EPCにおける支配ルールを発見して予測的分類モデルを生成する。
インタラクティブで自動的なプロセスを使用することで、単一のクラスの高い優位性を持つEPC内のゾーンを発見する。
EPC法は計算実験において高いカバレッジと精度で非線形予測モデルを発見することに成功している。
これは視覚的に魅力的な支配ルールを作成することで、複数のドメインに利益をもたらす。
本章では,実データおよびシミュレーションデータを用いた実験におけるepc非線形手法の検証,動的楕円対座標(depc)に一般化されたepc,視覚発見を最適化する座標重みの組込み,代替epc設計の導入,epc/depcに基づく非コンパクト機械学習手法の概念の導入について述べる。
関連論文リスト
- Str-L Pose: Integrating Point and Structured Line for Relative Pose Estimation in Dual-Graph [45.115555973941255]
ロボットや自律運転など、さまざまなコンピュータビジョンアプリケーションにおいて、相対的なポーズ推定が不可欠である。
本稿では,余分な構造線セグメントと点特徴を統合した幾何対応グラフニューラルネットワークを提案する。
この整合点と線分の統合は、幾何学的制約をさらに活用し、異なる環境におけるモデル性能を向上させる。
論文 参考訳（メタデータ） (2024-08-28T12:33:26Z) - Adaptive Modality Balanced Online Knowledge Distillation for Brain-Eye-Computer based Dim Object Detection [7.135000735428783]
本稿では,脳-眼-コンピュータによる空中画像検出システムを構築した。
脳波画像データを用いた適応型モダリティバランスオンライン知識蒸留法(AMBOKD)を提案する。
実世界のシナリオにおける公開データセットとシステム検証実験により,本手法の有効性と優位性を実証した。
論文 参考訳（メタデータ） (2024-07-02T02:30:23Z) - Geometric Features Enhanced Human-Object Interaction Detection [11.513009304308724]
我々は、新しいエンドツーエンド変換方式HOI検出モデル、すなわち幾何学的特徴強化HOI検出器(GeoHOI)を提案する。
モデルの1つの重要な部分は、UniPointNetと呼ばれる新しい統合された自己教師付きキーポイント学習方法である。
GeoHOIはトランスフォーマーをベースとしたHOI検出器を効果的にアップグレードする。
論文 参考訳（メタデータ） (2024-06-26T18:52:53Z) - Neural Clustering based Visual Representation Learning [61.72646814537163]
クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。
本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。
FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
論文 参考訳（メタデータ） (2024-03-26T06:04:50Z) - VINet: Lightweight, Scalable, and Heterogeneous Cooperative Perception
for 3D Object Detection [15.195933965761645]
協調知覚(CP)は自動運転の認知を著しく向上させる。
我々は、スケーラブルで軽量で異種な協調型3Dオブジェクト検出のための統合ディープラーニングベースのCPネットワークであるVINetを紹介する。
VINetは、システムレベルの計算コストが84%、システムレベルの通信コストが94%削減され、3D検出精度が向上する。
論文 参考訳（メタデータ） (2022-12-14T07:03:23Z) - Deep Learning Computer Vision Algorithms for Real-time UAVs On-board
Camera Image Processing [77.34726150561087]
本稿では,ディープラーニングに基づくコンピュータビジョンアルゴリズムを用いて,小型UAVのリアルタイムセンサ処理を実現する方法について述べる。
すべてのアルゴリズムは、ディープニューラルネットワークに基づく最先端の画像処理手法を用いて開発されている。
論文 参考訳（メタデータ） (2022-11-02T11:10:42Z) - DeepIPC: Deeply Integrated Perception and Control for an Autonomous Vehicle in Real Environments [7.642646077340124]
本稿では,自動運転に適した新しいエンドツーエンドモデルであるDeepIPCを紹介する。
DeepIPCは知覚と制御タスクをシームレスに統合する。
本評価は,DeepIPCの乾燥性およびマルチタスク効率において優れた性能を示すものである。
論文 参考訳（メタデータ） (2022-07-20T14:20:35Z) - Towards Scale Consistent Monocular Visual Odometry by Learning from the
Virtual World [83.36195426897768]
仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。
まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。
結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
論文 参考訳（メタデータ） (2022-03-11T01:51:54Z) - Masked Transformer for Neighhourhood-aware Click-Through Rate Prediction [74.52904110197004]
本稿では,近隣相互作用に基づくCTR予測を提案し,そのタスクを異種情報ネットワーク(HIN)設定に組み込む。
周辺地域の表現を高めるために,ノード間のトポロジカルな相互作用を4種類検討する。
本研究では,2つの実世界のデータセットに関する総合的な実験を行い,提案手法が最先端のCTRモデルを大幅に上回ることを示す。
論文 参考訳（メタデータ） (2022-01-25T12:44:23Z) - TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。
実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。
評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
論文 参考訳（メタデータ） (2021-04-08T20:01:00Z) - DRG: Dual Relation Graph for Human-Object Interaction Detection [65.50707710054141]
人-物間相互作用(HOI)検出の課題に対処する。
既存の方法は、人間と物体の対の相互作用を独立に認識するか、複雑な外観に基づく共同推論を行う。
本稿では,抽象的空間意味表現を活用して,各対象対を記述し,二重関係グラフを用いてシーンの文脈情報を集約する。
論文 参考訳（メタデータ） (2020-08-26T17:59:40Z)
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。