論文の概要: A Probabilistic Graphical Model Approach to the Structure-and-Motion Problem

• arxiv url: http://arxiv.org/abs/2110.03792v1
• Date: Thu, 7 Oct 2021 21:04:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-11 16:30:20.209722
• Title: A Probabilistic Graphical Model Approach to the Structure-and-Motion Problem
• Title（参考訳）: 構造・運動問題に対する確率論的グラフィカルモデルアプローチ
• Authors: Simon Streicher, Willie Brink and Johan du Preez
• Abstract要約: 本稿では,コンピュータビジョンにおけるよく知られた構造・動作問題の定式化と解法を提案する。 未知のカメラポーズと3次元特徴座標と観測された2次元投影をガウス確率変数としてモデル化する。 提案手法は,シミュレーションと実世界のデータの両方において有望であることを示す。
• 参考スコア（独自算出の注目度）: 2.2559617939136505
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a means of formulating and solving the well known structure-and-motion problem in computer vision with probabilistic graphical models. We model the unknown camera poses and 3D feature coordinates as well as the observed 2D projections as Gaussian random variables, using sigma point parameterizations to effectively linearize the nonlinear relationships between these variables. Those variables involved in every projection are grouped into a cluster, and we connect the clusters in a cluster graph. Loopy belief propagation is performed over this graph, in an iterative re-initialization and estimation procedure, and we find that our approach shows promise in both simulation and on real-world data. The PGM is easily extendable to include additional parameters or constraints.
• Abstract（参考訳）: 本稿では,確率的グラフィカルモデルを用いたコンピュータビジョンにおけるよく知られた構造・動き問題の定式化と解法を提案する。 未知のカメラポーズと3次元特徴座標と観測された2次元投影をガウス確率変数としてモデル化し、シグマ点パラメータ化を用いてこれらの変数間の非線形関係を効果的に線形化する。 すべてのプロジェクションに関わる変数はクラスタにグループ化され、クラスタグラフ内のクラスタを接続します。 このグラフ上でループ的信念伝播を反復的な初期化と推定の手順で実施し,シミュレーションと実世界のデータの両方において有望性を示す。 pgmは追加のパラメータや制約を含むように簡単に拡張できる。

関連論文リスト

• Clusterpath Gaussian Graphical Modeling [0.0]
  本稿では,Gaussian Graphical Model (CGGM) のクラスタパス推定器を紹介する。 循環ブロック座標降下アルゴリズムを用いて,計算効率の良いCGGM推定器の実装を提案する。 シミュレーションでは、CGGMが一致しただけでなく、しばしばグラフィカルモデルにおける変数クラスタリングにおける他の最先端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） (2024-06-30T10:11:18Z)
• Mesh-based Gaussian Splatting for Real-time Large-scale Deformation [58.18290393082119]
  ユーザがリアルタイムで大きな変形で暗黙の表現を直接変形または操作することは困難である。 我々は,インタラクティブな変形を可能にする新しいGSベースの手法を開発した。 提案手法は,高いフレームレートで良好なレンダリング結果を維持しつつ,高品質な再構成と効率的な変形を実現する。
  論文  参考訳（メタデータ） (2024-02-07T12:36:54Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Creating generalizable downstream graph models with random projections [22.690120515637854]
  本稿では,グラフ全体にわたってモデルを一般化するグラフ表現学習手法について検討する。 遷移行列の複数のパワーを推定するためにランダムな射影を用いることで、同型不変な特徴の集合を構築することができることを示す。 結果として得られる特徴は、ノードの局所的近傍に関する十分な情報を回復するために使用することができ、他のアプローチと競合する推論を可能にする。
  論文  参考訳（メタデータ） (2023-02-17T14:27:00Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
  本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。 この問題は楕円分布のペナルティ化された最大推定値として表される。 楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
  論文  参考訳（メタデータ） (2022-10-21T13:19:45Z)
• Counting Phases and Faces Using Bayesian Thermodynamic Integration [77.34726150561087]
  本稿では,2パラメータ統計力学系における熱力学関数と位相境界の再構成手法を提案する。 提案手法を用いて,IsingモデルとTASEPの分割関数と位相図を正確に再構成する。
  論文  参考訳（メタデータ） (2022-05-18T17:11:23Z)
• A Model for Multi-View Residual Covariances based on Perspective Deformation [88.21738020902411]
  マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。 我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
  論文  参考訳（メタデータ） (2022-02-01T21:21:56Z)
• T-LoHo: A Bayesian Regularization Model for Structured Sparsity and Smoothness on Graphs [0.0]
  グラフ構造化データでは、構造化されたスパーシリティと滑らかさが団結する傾向にある。 グラフィカルな関係を持つ高次元パラメータに先立って提案する。 構造された空間と滑らかさを同時に検出するために使用します。
  論文  参考訳（メタデータ） (2021-07-06T10:10:03Z)
• Scaling Graph Clustering with Distributed Sketches [1.1011268090482575]
  スペクトルクラスタリングにインスパイアされた手法として,ランダムな次元還元プロジェクションから得られた行列スケッチを用いる。 提案手法は,完全に動的なブロックモデルストリームが与えられた場合,性能の高いクラスタリング結果が得られる埋め込みを生成する。 また、ブロックモデルパラメータがその後の埋め込みの必要次元に与える影響についても検討し、ランダムなプロジェクションが分散メモリにおけるグラフクラスタリングの性能を大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T17:38:04Z)
• Estimation of sparse Gaussian graphical models with hidden clustering structure [8.258451067861932]
  隠れクラスタリング構造を持つスパースガウス図形モデルを推定するモデルを提案する。 対称なガウス・シーデルに基づく乗算器の交互方向法を開発した。 合成データと実データの両方に関する数値実験により,本モデルの有効性が示された。
  論文  参考訳（メタデータ） (2020-04-17T08:43:31Z)

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。