論文の概要: Saliency for free: Saliency prediction as a side-effect of object
recognition
- arxiv url: http://arxiv.org/abs/2107.09628v1
- Date: Tue, 20 Jul 2021 17:17:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-21 16:19:08.038379
- Title: Saliency for free: Saliency prediction as a side-effect of object
recognition
- Title(参考訳): saliency for free: saliency prediction as a side- effects of object recognition (特集:人工知能)
- Authors: Carola Figueroa-Flores, David Berga, Joost van der Weijer and Bogdan
Raducanu
- Abstract要約: 本研究では,物体認識深部ニューラルネットワークを学習する際の副作用として,サリエンシマップを生成することができることを示す。
このようなネットワークは、トレーニングに地道な正当性マップを一切必要としない。
実データと合成データの両方で行った大規模な実験により、我々のアプローチが正確な正当性マップを生成できることが証明された。
- 参考スコア(独自算出の注目度): 4.609056834401648
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Saliency is the perceptual capacity of our visual system to focus our
attention (i.e. gaze) on relevant objects. Neural networks for saliency
estimation require ground truth saliency maps for training which are usually
achieved via eyetracking experiments. In the current paper, we demonstrate that
saliency maps can be generated as a side-effect of training an object
recognition deep neural network that is endowed with a saliency branch. Such a
network does not require any ground-truth saliency maps for training.Extensive
experiments carried out on both real and synthetic saliency datasets
demonstrate that our approach is able to generate accurate saliency maps,
achieving competitive results on both synthetic and real datasets when compared
to methods that do require ground truth data.
- Abstract(参考訳): 正当性は視覚系の知覚能力であり、注意を集中する能力である。
関連する物体を見てください
サリエンシ推定のためのニューラルネットワークは、通常、アイトラッキング実験によって達成されるトレーニングのための地上の真理サリエンシマップを必要とする。
本論文では,サリエンシマップが,サリエンシブランチを付与した物体認識深層ニューラルネットワークの学習の副作用として生成できることを実証する。
実データと合成データの両方で実施した大規模な実験により,本手法が真理データを必要とする手法と比較して,合成データと実データの両方で競合する結果が得られることが示された。
関連論文リスト
- Exploring the Effectiveness of Dataset Synthesis: An application of
Apple Detection in Orchards [68.95806641664713]
本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。
我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。
その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
論文 参考訳(メタデータ) (2023-06-20T09:46:01Z) - One scalar is all you need -- absolute depth estimation using monocular
self-supervision [59.45414406974091]
自己教師付き単眼深度推定器は、画像のみを使用し、地中深度データがない新しいシーンで訓練または微調整することができる。
これらの推定器は、深度スケールの固有の曖昧さに悩まされ、適用性が著しく制限される。
本稿では,地中深度で収集した既存のソースデータセットから,自己監督を用いて訓練した深度推定器へ深度スケールを転送する手法を提案する。
論文 参考訳(メタデータ) (2023-03-14T07:07:34Z) - Neural Maximum A Posteriori Estimation on Unpaired Data for Motion
Deblurring [87.97330195531029]
本稿では、ニューラルネットワークをトレーニングし、失明したデータから視覚情報や鋭いコンテンツを復元するためのニューラルネットワークの最大Aポストエリオリ(NeurMAP)推定フレームワークを提案する。
提案されたNeurMAPは、既存のデブロアリングニューラルネットワークに対するアプローチであり、未使用データセット上のイメージデブロアリングネットワークのトレーニングを可能にする最初のフレームワークである。
論文 参考訳(メタデータ) (2022-04-26T08:09:47Z) - Self-supervised Audiovisual Representation Learning for Remote Sensing
Data [70.64030011999981]
遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。
ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。
提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-08-02T07:50:50Z) - Predicting Depth from Semantic Segmentation using Game Engine Dataset [0.0]
この論文は、物体の知覚と深度推定畳み込みニューラルネットワークの関係を考察する。
入力時に1つの画像のみを使用する単純な深度推定ネットワークに基づく新しいネットワーク構造を開発した。
その結果,新しい構造は距離の相対誤差の52%で深度推定の性能を向上させることができることがわかった。
論文 参考訳(メタデータ) (2021-06-12T10:15:40Z) - Learning Topology from Synthetic Data for Unsupervised Depth Completion [66.26787962258346]
画像から高密度深度マップとスパース深度測定を推定する手法を提案する。
我々は,疎点雲と密度の高い自然形状の関係を学習し,その画像を用いて予測深度マップの検証を行う。
論文 参考訳(メタデータ) (2021-06-06T00:21:12Z) - Topological Uncertainty: Monitoring trained neural networks through
persistence of activation graphs [0.9786690381850356]
産業アプリケーションでは、オープンワールド設定から得られるデータは、ネットワークがトレーニングされたベンチマークデータセットと大きく異なる可能性がある。
活性化グラフのトポロジ的特性に基づいて訓練されたニューラルネットワークを監視する手法を開発している。
論文 参考訳(メタデータ) (2021-05-07T14:16:03Z) - Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。
地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。
提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-11-01T19:24:27Z) - Hallucinating Saliency Maps for Fine-Grained Image Classification for
Limited Data Domains [27.91871214060683]
画像分類を改善するために,明示的なサリエンシマップを必要としないアプローチを提案する。
提案手法は,サリエンシマップを明示的に提供した場合と同じような結果が得られることを示す。
また,サリエンシ基盤データなしでトレーニングされたサリエンシ推定手法は,実画像サリエンシベンチマーク(Toronto)において競合する結果が得られることを示した。
論文 参考訳(メタデータ) (2020-07-24T15:08:55Z) - Improving the Interpretability of fMRI Decoding using Deep Neural
Networks and Adversarial Robustness [1.254120224317171]
サリエンシマップは、入力特徴の相対的重要性の解釈可能な可視化を作成するための一般的なアプローチである。
そこで本稿では,DNNを入力雑音に頑健にするために開発した,勾配型サリエンシマップの多種多様な手法について検討する。
論文 参考訳(メタデータ) (2020-04-23T12:56:24Z) - Learning Topometric Semantic Maps from Occupancy Grids [2.5234065536725963]
本稿では,このようなインスタンスベースのセマンティックマップを,占有グリッドから純粋に抽出する手法を提案する。
我々は、ランダムな大きさの地図からドア仮説を検出し、セグメンテーションし、抽出するために、深層学習技術を組み合わせている。
提案手法を,公開されている実世界の複数のデータセットに対して評価する。
論文 参考訳(メタデータ) (2020-01-10T22:06:10Z)
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。