論文の概要: Welsch Based Multiview Disparity Estimation
- arxiv url: http://arxiv.org/abs/2110.00803v1
- Date: Sat, 2 Oct 2021 13:44:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-05 15:19:22.475947
- Title: Welsch Based Multiview Disparity Estimation
- Title（参考訳）: ウェルシュに基づく多視点距離推定
- Authors: James L. Gray, Aous T. Naman, David S. Taubman
- Abstract要約: 多数のビューを持つアプリケーションにおいて,オクルージョンを不均一性推定の鍵となる課題として実験的に同定する。
本稿では,分散度推定のためのグローバル変動フレームワークにおいて,データ項に対するウェルシュ損失関数の利用を提案する。
- 参考スコア（独自算出の注目度）: 0.8594140167290096
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we explore disparity estimation from a high number of views. We
experimentally identify occlusions as a key challenge for disparity estimation
for applications with high numbers of views. In particular, occlusions can
actually result in a degradation in accuracy as more views are added to a
dataset. We propose the use of a Welsch loss function for the data term in a
global variational framework for disparity estimation. We also propose a
disciplined warping strategy and a progressive inclusion of views strategy that
can reduce the need for coarse to fine strategies that discard high spatial
frequency components from the early iterations. Experimental results
demonstrate that the proposed approach produces superior and/or more robust
estimates than other conventional variational approaches.
- Abstract（参考訳）: 本研究では,多視点からの異質度推定について検討する。
オービテーションを多視点アプリケーションにおける不一致推定の重要な課題として実験的に同定した。
特に、オクルージョンは、データセットにより多くのビューを追加すると、実際に精度が低下する可能性がある。
分散度推定のためのグローバル変動フレームワークにおいて,データ項に対するウェルシュ損失関数の利用を提案する。
また,高空間周波数成分を初期イテレーションから廃棄する粗雑で細かな戦略の必要性を低減できる,規律的なウォーピング戦略とビュー戦略の漸進的包含を提案する。
実験の結果,提案手法は従来の変分法よりも優れた,あるいはより頑健な推定結果が得られることがわかった。
関連論文リスト
- Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。
本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-09T04:20:15Z) - Regularized Contrastive Partial Multi-view Outlier Detection [76.77036536484114]
RCPMOD(Regularized Contrastive partial Multi-view Outlier Detection)と呼ばれる新しい手法を提案する。
このフレームワークでは、コントラスト学習を利用して、ビュー一貫性のある情報を学び、一貫性の度合いでアウトレイラを識別する。
4つのベンチマークデータセットによる実験結果から,提案手法が最先端の競合より優れていることが示された。
論文 参考訳（メタデータ） (2024-08-02T14:34:27Z) - Spectral Representation for Causal Estimation with Hidden Confounders [33.148766692274215]
隠れた共同創設者が存在する場合の因果効果推定の問題に対処する。
本手法では,条件付き期待演算子の特異値分解とサドル点最適化問題を用いる。
論文 参考訳（メタデータ） (2024-07-15T05:39:56Z) - Hierarchical Uncertainty Exploration via Feedforward Posterior Trees [25.965665666173038]
木評価予測を用いて,複数レベルの粒度にまたがる後部を可視化する新しい手法を提案する。
本手法は, ニューラルネットワークの1つの前方通過において, 入力測定における後部分布の階層的階層化を予測する。
論文 参考訳（メタデータ） (2024-05-24T17:06:51Z) - Latent Embedding Clustering for Occlusion Robust Head Pose Estimation [7.620379605206596]
頭部ポーズ推定は、幅広い応用において有用であることから、コンピュータビジョンにおいて重要な研究領域となっている。
この分野で最も難しい課題の1つは、現実世界のシナリオで頻繁に発生するヘッドオクルージョンの管理である。
我々は,現実の頭部閉塞のシナリオにおいて堅牢な,新規で効率的なフレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-29T15:57:38Z) - Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
本稿では,長期時系列予測のための制約付き学習手法を提案する。
提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-02-14T18:20:44Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2021-12-15T01:45:32Z) - Revisiting Consistency Regularization for Semi-Supervised Learning [80.28461584135967]
そこで我々は,FeatDistLossというシンプルな手法により,一貫性の規則化を改良したフレームワークを提案する。
実験結果から,本モデルは様々なデータセットや設定のための新しい技術状態を定義する。
論文 参考訳（メタデータ） (2021-12-10T20:46:13Z) - Learning Overlapping Representations for the Estimation of
Individualized Treatment Effects [97.42686600929211]
観測データから代替案の可能性を推定することは難しい問題である。
入力のドメイン不変表現を学習するアルゴリズムは、しばしば不適切であることを示す。
我々は,様々なベンチマークデータセットの最先端性を大幅に向上させる,ディープカーネル回帰アルゴリズムと後続正規化フレームワークを開発した。
論文 参考訳（メタデータ） (2020-01-14T12:56:29Z)
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。