論文の概要: Learning to Match Features with Seeded Graph Matching Network

• arxiv url: http://arxiv.org/abs/2108.08771v1
• Date: Thu, 19 Aug 2021 16:25:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-20 14:29:29.933849
• Title: Learning to Match Features with Seeded Graph Matching Network
• Title（参考訳）: シードグラフマッチングネットワークによる特徴のマッチング学習
• Authors: Hongkai Chen, Zixin Luo, Jiahui Zhang, Lei Zhou, Xuyang Bai, Zeyu Hu, Chiew-Lan Tai, Long Quan
• Abstract要約: 冗長な接続性を低減し,コンパクトな表現を学習する,スパース構造を持つグラフニューラルネットワークであるSeeded Graph Matching Networkを提案する。 実験により,本手法は典型的な注意型ネットワークと比較して計算量やメモリの複雑さを著しく低減することが示された。
• 参考スコア（独自算出の注目度）: 35.70116378238535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Matching local features across images is a fundamental problem in computer vision. Targeting towards high accuracy and efficiency, we propose Seeded Graph Matching Network, a graph neural network with sparse structure to reduce redundant connectivity and learn compact representation. The network consists of 1) Seeding Module, which initializes the matching by generating a small set of reliable matches as seeds. 2) Seeded Graph Neural Network, which utilizes seed matches to pass messages within/across images and predicts assignment costs. Three novel operations are proposed as basic elements for message passing: 1) Attentional Pooling, which aggregates keypoint features within the image to seed matches. 2) Seed Filtering, which enhances seed features and exchanges messages across images. 3) Attentional Unpooling, which propagates seed features back to original keypoints. Experiments show that our method reduces computational and memory complexity significantly compared with typical attention-based networks while competitive or higher performance is achieved.
• Abstract（参考訳）: 画像にまたがる局所的な特徴のマッチングは、コンピュータビジョンにおける根本的な問題である。 高い精度と効率を目標として,冗長接続の削減とコンパクト表現の学習を目的とした,疎構造を持つグラフニューラルネットワークであるシードドグラフマッチングネットワークを提案する。 ネットワークは1)Seeding Moduleで構成されており、種子としての信頼性のあるマッチングの小さなセットを生成してマッチングを初期化する。 2)シードマッチングを利用するシードグラフニューラルネットワークは,画像内のメッセージの送受信と割り当てコストの予測を行う。 1) 画像内のキーポイントの特徴をシードマッチに集約するアテンショナルプール。 2)シードフィルタリング – シード機能を強化し、画像間でメッセージを交換する。 3) 種子の特徴を元のキーポイントに戻す意図的アンプール。 実験により,本手法は従来の注目ネットワークと比較して計算量やメモリの複雑さを著しく低減するが,性能は高い。

関連論文リスト

• ResMatch: Residual Attention Learning for Local Feature Matching [51.07496081296863]
  従来の特徴マッチングとフィルタリングの観点から、クロスアテンションとセルフアテンションを再考する。 我々は,記述者と相対的な位置の類似性を,クロスアテンションスコアとセルフアテンションスコアに注入する。 我々は、記述子と相対的な位置の類似性に応じて隣人内および隣人間を採掘する。
  論文  参考訳（メタデータ） (2023-07-11T11:32:12Z)
• Learning Feature Matching via Matchable Keypoint-Assisted Graph Neural Network [52.29330138835208]
  画像のペア間の局所的な特徴の正確なマッチングは、コンピュータビジョンの課題である。 従来の研究では、注意に基づくグラフニューラルネットワーク(GNN)と、画像内のキーポイントに完全に接続されたグラフを使用するのが一般的だった。 本稿では,非繰り返しキーポイントをバイパスし,マッチング可能なキーポイントを利用してメッセージパッシングを誘導する,疎注意に基づくGNNアーキテクチャであるMaKeGNNを提案する。
  論文  参考訳（メタデータ） (2023-07-04T02:50:44Z)
• MD-Net: Multi-Detector for Local Feature Extraction [0.0]
  本稿では,各画像におけるキーポイントの相補的な集合を予め定義した数で検出できるディープ特徴抽出ネットワークを提案する。 我々は、キーポイントを予測するためにネットワークをトレーニングし、対応するディスクリプタを共同で計算する。 広範にわたる実験により,我々のネットワークは,合成的に歪んだ画像のみに基づいて訓練され,3次元再構成と再局在化タスクにおける競合的な結果が得られた。
  論文  参考訳（メタデータ） (2022-08-10T13:52:31Z)
• Image Keypoint Matching using Graph Neural Networks [22.33342295278866]
  画像マッチング問題に対するグラフニューラルネットワークを提案する。 提案手法はまず,局所化ノード埋め込みを用いてキーポイント間の初期ソフト対応を生成する。 提案手法は,キーポイントアノテーションを用いた自然な画像データセット上で評価し,最先端のモデルと比較して,予測精度を犠牲にすることなく推論時間を高速化することを示す。
  論文  参考訳（メタデータ） (2022-05-27T23:38:44Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• DenseGAP: Graph-Structured Dense Correspondence Learning with Anchor Points [15.953570826460869]
  2つの画像間の密接な対応を確立することは、基本的なコンピュータビジョンの問題である。 我々は、アンカーポイントに条件付きグラフ構造化ニューラルネットワークを用いたDense対応学習のための新しいソリューションであるDenseGAPを紹介する。 提案手法は,ほとんどのベンチマークにおいて対応学習の最先端化を図っている。
  論文  参考訳（メタデータ） (2021-12-13T18:59:30Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)
• CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
  少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。 相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。 PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2020-03-24T04:55:43Z)
• An End-to-End Network for Co-Saliency Detection in One Single Image [47.35448093528382]
  単一の画像内の共分散検出は、まだ十分に対処されていない一般的な視覚問題である。 本研究では、バックボーンネットと2つの分岐ネットからなる新しいエンドツーエンドのトレーニングネットワークを提案する。 本研究では,2,019個の自然画像のデータセットを各画像に共分散して構築し,提案手法の評価を行う。
  論文  参考訳（メタデータ） (2019-10-25T16:00:44Z)

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。