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
- Loss Shaping Constraints for Long-Term Time Series Forecasting [86.6877920044998]
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) - Few-Shot Anomaly Detection with Adversarial Loss for Robust Feature
Representations [8.915958745269442]
異常検出は、データセット内の通常のパターンや分布から逸脱したデータポイントを特定することを目的とした、重要で困難なタスクである。
ワンクラス・ワン・モデル手法を用いて様々な手法が提案されているが、これらの手法はメモリ不足や訓練に十分なデータを必要とするといった現実的な問題に直面していることが多い。
本稿では,より堅牢で一般化された特徴表現を得るために,対向訓練損失を統合する数発の異常検出手法を提案する。
論文 参考訳(メタデータ) (2023-12-04T09:45:02Z) - Semi-supervised Contrastive Regression for Estimation of Eye Gaze [0.609170287691728]
本稿では、視線方向推定のための半教師付きコントラスト学習フレームワークを開発する。
小さなラベル付きガゼデータセットにより、このフレームワークは、目に見えない顔画像であっても、一般化されたソリューションを見つけることができる。
コントラスト回帰フレームワークは, 視線推定に用いられているいくつかの手法と比較して, 優れた性能を示す。
論文 参考訳(メタデータ) (2023-08-05T04:11:38Z) - Distributionally Robust Causal Inference with Observational Data [4.8986598953553555]
非確立性の標準的な仮定を伴わない観察研究における平均治療効果の推定を考察する。
本稿では,無観測の共同設立者が存在する可能性を考慮した,一般的な観察研究環境下での堅牢な因果推論の枠組みを提案する。
論文 参考訳(メタデータ) (2022-10-15T16:02:33Z) - 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) - Self-Supervision and Spatial-Sequential Attention Based Loss for
Multi-Person Pose Estimation [6.92027612631023]
ボトムアップに基づくポーズ推定手法は、補助的な予測を伴うヒートマップを用いて関節位置を推定し、同時に属する。
より明確な監督の欠如は、1つのモデルにおける機能利用の低さと予測間の矛盾をもたらす。
本稿では,自己教師型ヒートマップを用いて予測矛盾や空間的注意を低減し,ネットワークの特徴抽出を向上する新たな損失組織手法を提案する。
論文 参考訳(メタデータ) (2021-10-20T19:13:17Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳(メタデータ) (2021-03-22T20:36:34Z) - Monte Carlo Dropout Ensembles for Robust Illumination Estimation [94.14796147340041]
計算カラー一貫性(Computational Color Constancy)は、多くのカメラシステムで使用される前処理ステップである。
出力の不確実性に応じて異なる深層学習手法を集約することを提案する。
提案したフレームワークはINTEL-TAUデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2020-07-20T13:56:14Z) - 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。