論文の概要: Reservoir Computing Approach for Gray Images Segmentation
- arxiv url: http://arxiv.org/abs/2107.11077v1
- Date: Fri, 23 Jul 2021 08:37:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-26 19:54:04.881949
- Title: Reservoir Computing Approach for Gray Images Segmentation
- Title（参考訳）: グレー画像セグメンテーションのための貯留層計算手法
- Authors: Petia Koprinkova-Hristova
- Abstract要約: 本稿では,グレースケール画像セグメンテーションのための新しいアプローチを提案する。
これは、Echo状態ネットワークを使用して、画像ピクセル当たりの単一特徴、すなわちその強度値から抽出された複数の特徴に基づいている。
新たに抽出された特徴、すなわち貯水池平衡状態は、クラスタリングアルゴリズムによるセグメンテーションを改善する隠された画像特性を明らかにする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The paper proposes a novel approach for gray scale images segmentation. It is
based on multiple features extraction from single feature per image pixel,
namely its intensity value, using Echo state network. The newly extracted
features -- reservoir equilibrium states -- reveal hidden image characteristics
that improve its segmentation via a clustering algorithm. Moreover, it was
demonstrated that the intrinsic plasticity tuning of reservoir fits its
equilibrium states to the original image intensity distribution thus allowing
for its better segmentation. The proposed approach is tested on the benchmark
image Lena.
- Abstract（参考訳）: 本稿では,グレースケール画像セグメンテーションのための新しいアプローチを提案する。
これは、Echo状態ネットワークを使用して、画像画素当たりの単一特徴、すなわちその強度値から抽出された複数の特徴に基づいている。
新たに抽出された機能 -- 貯水池平衡状態 -- は、クラスタリングアルゴリズムによるセグメンテーションを改善する隠れたイメージ特性を明らかにする。
さらに,貯水池の固有塑性調整法は,原画像強度分布と平衡状態に適合し,より優れたセグメンテーションを可能にすることを示した。
提案手法はベンチマーク画像のLenaで検証される。
関連論文リスト
- Region Feature Descriptor Adapted to High Affine Transformations [11.300618381337777]
本稿では,アフィン変換をシミュレートした領域特徴記述子を提案する。
既存の古典的記述子に比べて精度と堅牢性が高い。
論文 参考訳（メタデータ） (2024-02-15T05:33:58Z) - Beyond Learned Metadata-based Raw Image Reconstruction [86.1667769209103]
生画像は、線形性や微細な量子化レベルなど、sRGB画像に対して明確な利点がある。
ストレージの要求が大きいため、一般ユーザからは広く採用されていない。
本稿では,メタデータとして,潜在空間におけるコンパクトな表現を学習する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-21T06:59:07Z) - Difference of Anisotropic and Isotropic TV for Segmentation under Blur
and Poisson Noise [2.6381163133447836]
画像をスムーシング・アンド・スレッディング(SaT)セグメンテーションフレームワークを採用して、スムースなソリューションを見つけ、次に$k-meansで画像のセグメンテーションを行う。
具体的には、画像平滑化ステップにおいて、ムムフォードシャーモデルの最大雑音を正則化として、異方性全変動(AITV)の最大変動に置き換える。
スキームの有効性を検証するための収束解析が提供される。
論文 参考訳（メタデータ） (2023-01-06T01:14:56Z) - Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image
Denoising [50.039949798156826]
本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。
ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。
次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
論文 参考訳（メタデータ） (2022-07-09T13:35:12Z) - Multiscale Analysis for Improving Texture Classification [62.226224120400026]
本稿では,テクスチャの異なる空間周波数帯域を別々に扱うために,ガウス・ラプラシアピラミッドを用いる。
バイオインスパイアされたテクスチャ記述子,情報理論測度,灰色レベルの共起行列特徴,ハリリック統計特徴から抽出した特徴を特徴ベクトルに集約した。
論文 参考訳（メタデータ） (2022-04-21T01:32:22Z) - LEAD: Self-Supervised Landmark Estimation by Aligning Distributions of
Feature Similarity [49.84167231111667]
自己監督型ランドマーク検出における既存の研究は、画像から高密度(ピクセルレベルの)特徴表現を学習することに基づいている。
自己教師付き方式で高密度同変表現の学習を強化するアプローチを提案する。
機能抽出器にそのような先行性があることは,アノテーションの数が大幅に制限されている場合でも,ランドマーク検出に役立ちます。
論文 参考訳（メタデータ） (2022-04-06T17:48:18Z) - Perceptual Robust Hashing for Color Images with Canonical Correlation
Analysis [21.22196411212803]
リングリブボン四重木とカラーベクター角度に基づくカラー画像に対する新しい知覚的画像ハッシュ方式を提案する。
本手法は, コピー検出やコンテンツ認証に効果的に使用できるロバスト性, 識別性, セキュリティに関して, 良好な性能を有する。
論文 参考訳（メタデータ） (2020-12-08T09:35:21Z) - Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。
既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。
本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
論文 参考訳（メタデータ） (2020-04-12T03:53:53Z) - Residual-Sparse Fuzzy $C$-Means Clustering Incorporating Morphological
Reconstruction and Wavelet frames [146.63177174491082]
Fuzzy $C$-Means (FCM)アルゴリズムは、形態的再構成操作とタイトウェーブレットフレーム変換を組み込んでいる。
特徴集合とその理想値の間の残差に対して$ell_0$正規化項を付与することにより、改良されたFCMアルゴリズムを提案する。
合成, 医用, カラー画像に対する実験結果から, 提案アルゴリズムは効率的かつ効率的であり, 他のアルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2020-02-14T10:00:03Z)
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。