論文の概要: Adaptive Fusion Affinity Graph with Noise-free Online Low-rank Representation for Natural Image Segmentation

• arxiv url: http://arxiv.org/abs/2110.11685v1
• Date: Fri, 22 Oct 2021 10:15:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-25 22:07:49.895133
• Title: Adaptive Fusion Affinity Graph with Noise-free Online Low-rank Representation for Natural Image Segmentation
• Title（参考訳）: 自然画像セグメンテーションのための無ノイズオンライン低ランク表現を用いた適応融合親和性グラフ
• Authors: Yang Zhang, Moyun Liu, Huiming Zhang, Guodong Sun, Jingwu He
• Abstract要約: 本稿では,自然画像分割のための適応アフィニティ融合グラフ(AFAグラフ)を提案する。 BSD300、BSD500、MSRC、PASCAL VOCの実験結果は、最先端のアプローチと比較してAFAグラフの有効性を示している。
• 参考スコア（独自算出の注目度）: 3.7189024338041836
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Affinity graph-based segmentation methods have become a major trend in computer vision. The performance of these methods relies on the constructed affinity graph, with particular emphasis on the neighborhood topology and pairwise affinities among superpixels. Due to the advantages of assimilating different graphs, a multi-scale fusion graph has a better performance than a single graph with single-scale. However, these methods ignore the noise from images which influences the accuracy of pairwise similarities. Multi-scale combinatorial grouping and graph fusion also generate a higher computational complexity. In this paper, we propose an adaptive fusion affinity graph (AFA-graph) with noise-free low-rank representation in an online manner for natural image segmentation. An input image is first over-segmented into superpixels at different scales and then filtered by the proposed improved kernel density estimation method. Moreover, we select global nodes of these superpixels on the basis of their subspace-preserving presentation, which reveals the feature distribution of superpixels exactly. To reduce time complexity while improving performance, a sparse representation of global nodes based on noise-free online low-rank representation is used to obtain a global graph at each scale. The global graph is finally used to update a local graph which is built upon all superpixels at each scale. Experimental results on the BSD300, BSD500, MSRC, SBD, and PASCAL VOC show the effectiveness of AFA-graph in comparison with state-of-the-art approaches.
• Abstract（参考訳）: アフィニティグラフに基づくセグメンテーション手法はコンピュータビジョンの主要なトレンドとなっている。 これらの手法の性能は構築された親和性グラフに依存し、特に近傍位相とスーパーピクセル間のペア親和性に重点を置いている。 異なるグラフを同化する利点があるため、マルチスケールの融合グラフはシングルスケールのグラフよりも優れた性能を持つ。 しかし、これらの手法は、ペアの類似性の精度に影響を与える画像からノイズを無視する。 マルチスケールの組合せグルーピングとグラフ融合も計算複雑性を増大させる。 本稿では,自然画像セグメンテーションのためのオンライン手法として,ノイズのない低ランク表現を用いた適応型融合親和性グラフ(afa-graph)を提案する。 入力画像は、まず異なるスケールのスーパーピクセルにオーバーセグメンテーションされ、その後、改良されたカーネル密度推定法によりフィルタリングされる。 さらに,これらのスーパーピクセルのグローバルノードをサブスペース保存プレゼンテーションに基づいて選択し,スーパーピクセルの特徴分布を正確に示す。 性能を改善しつつ時間の複雑さを低減し、ノイズのないオンライン低ランク表現に基づくグローバルノードのスパース表現を用いて、各スケールでグローバルグラフを得る。 グローバルグラフは最終的に、各スケールのすべてのスーパーピクセル上に構築されたローカルグラフの更新に使用される。 BSD300、BSD500、MSRC、SBD、PASCAL VOCの実験結果は、最先端のアプローチと比較してAFAグラフの有効性を示している。

関連論文リスト

• Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
  グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。 最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。 データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-11T06:34:05Z)
• Graph Mixup with Soft Alignments [49.61520432554505]
  本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。 ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
  論文  参考訳（メタデータ） (2023-06-11T22:04:28Z)
• Graph Denoising with Framelet Regularizer [25.542429117462547]
  本稿では,特徴雑音と構造雑音の両面からグラフデータの正則化を行う。 本モデルでは, グラフが汚染されている場合でも, 一般的なグラフ畳み込みと比較して, 性能が著しく向上する。
  論文  参考訳（メタデータ） (2021-11-05T05:17:23Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
  本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。 実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-02-23T07:45:58Z)
• Semi-supervised Hyperspectral Image Classification with Graph Clustering Convolutional Networks [41.78245271989529]
  HSI分類のためのグラフ畳み込みネットワーク(GCN)に基づくフレームワークを提案する。 特に、類似のスペクトル特徴を持つ画素をスーパーピクセルにまずクラスターし、入力したhsiのスーパーピクセルに基づいてグラフを構築する。 その後、エッジを弱い重みで刻むことでいくつかの部分グラフに分割し、高い類似性を持つノードの相関性を強化する。
  論文  参考訳（メタデータ） (2020-12-20T14:16:59Z)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)
• Affinity Fusion Graph-based Framework for Natural Image Segmentation [20.674669923674834]
  このフレームワークは、マルチスケールスーパーピクセルの親和性ノードと呼ばれる新しい定義に従って、隣接グラフとカーネルスペクトルクラスタリングベースのグラフ(KSCグラフ)を組み合わせる。 KSCグラフは、これらの親和性ノード間の非線形関係を探索するために、新しいカーネルスペクトルクラスタリングによって構築される。 各スケールでの隣接グラフを構築し、アフィニティノードで提案されたKSCグラフを更新するためにさらに使用される。
  論文  参考訳（メタデータ） (2020-06-24T08:01:10Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Spectral Image Segmentation with Global Appearance Modeling [0.913755431537592]
  我々は,グローバルな外見モデリングのための長距離関係を組み込んだ画像分割のための新しいスペクトル法を提案する。 このアプローチは2つの異なるグラフを組み合わせており、1つは近くのピクセル間の空間的関係をキャプチャするスパースグラフであり、もう1つはすべてのピクセル間のペアの類似性をキャプチャする密度の高いグラフである。
  論文  参考訳（メタデータ） (2020-06-11T16:21:54Z)

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。