論文の概要: The magnitude vector of images

• arxiv url: http://arxiv.org/abs/2110.15188v1
• Date: Thu, 28 Oct 2021 15:05:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-29 14:43:57.625025
• Title: The magnitude vector of images
• Title（参考訳）: 画像の大きさベクトル
• Authors: Michael F. Adamer, Leslie O'Bray, Edward De Brouwer, Bastian Rieck, Karsten Borgwardt
• Abstract要約: 本研究では,各画像が独自の距離空間を形成することにより,個々の画像における大きさ特性について検討する。 画像のエッジ検出には, 異常検出の既知の特性が関係していることが示され, 理論的正当性を裏付ける。 我々は,敵の攻撃から防御するために,新しい大きさの層を用いて,その実用性を実証する。
• 参考スコア（独自算出の注目度）: 8.419688203654948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The magnitude of a finite metric space is a recently-introduced invariant quantity. Despite beneficial theoretical and practical properties, such as a general utility for outlier detection, and a close connection to Laplace radial basis kernels, magnitude has received little attention by the machine learning community so far. In this work, we investigate the properties of magnitude on individual images, with each image forming its own metric space. We show that the known properties of outlier detection translate to edge detection in images and we give supporting theoretical justifications. In addition, we provide a proof of concept of its utility by using a novel magnitude layer to defend against adversarial attacks. Since naive magnitude calculations may be computationally prohibitive, we introduce an algorithm that leverages the regular structure of images to dramatically reduce the computational cost.
• Abstract（参考訳）: 有限距離空間の大きさは、最近導入された不変量である。 外乱検出のための汎用ユーティリティやラプラスのラジアルベースカーネルとの密接な接続など、理論的および実践的な利点は有益であるが、これまで機械学習コミュニティからはほとんど注目されなかった。 本研究では,各画像の寸法特性について検討し,各画像が独自の距離空間を形成する。 異常検出の既知の特性が画像のエッジ検出に変換され,理論的正当性が支持されることを示す。 さらに,新たなマグニチュード層を用いて敵の攻撃を防御することにより,その有用性を証明する。 そこで我々は,画像の正規構造を利用して計算コストを劇的に削減するアルゴリズムを提案する。

関連論文リスト

• Provable Preimage Under-Approximation for Neural Networks (Full Version) [27.519993407376862]
  ニューラルネットワークに対する任意のポリヘドロン出力セットの事前像の記号的アンダー近似を生成するための効率的な時空アルゴリズムを提案する。 実験により,本手法の有効性を,高次元MNIST分類タスクを含む領域にわたって検証した。 我々は,形式的な保証を提供するために,ポリトープ表現の不整合和を利用する,前者のための健全で完全なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-05T16:55:27Z)
• LEAD: Self-Supervised Landmark Estimation by Aligning Distributions of Feature Similarity [49.84167231111667]
  自己監督型ランドマーク検出における既存の研究は、画像から高密度(ピクセルレベルの)特徴表現を学習することに基づいている。 自己教師付き方式で高密度同変表現の学習を強化するアプローチを提案する。 機能抽出器にそのような先行性があることは,アノテーションの数が大幅に制限されている場合でも,ランドマーク検出に役立ちます。
  論文  参考訳（メタデータ） (2022-04-06T17:48:18Z)
• Incorporating Texture Information into Dimensionality Reduction for High-Dimensional Images [65.74185962364211]
  距離ベース次元削減手法に周辺情報を組み込む手法を提案する。 画像パッチを比較する異なる手法の分類に基づいて,様々なアプローチを探索する。
  論文  参考訳（メタデータ） (2022-02-18T13:17:43Z)
• Unsupervised Disentanglement with Tensor Product Representations on the Torus [78.6315881294899]
  オートエンコーダで表現を学習する現在の方法では、ほとんどベクターを潜在表現として用いている。 本研究では,この目的のためにテンソル積構造を用いることを提案する。 通常分布する特徴を対象とする従来の変分法とは対照的に,表現の潜在空間は単位円の集合上に均一に分布する。
  論文  参考訳（メタデータ） (2022-02-13T04:23:12Z)
• Weighting vectors for machine learning: numerical harmonic analysis applied to boundary detection [3.8848561367220276]
  距離空間がユークリッド空間であるとき、重み付けベクトルが境界検出の有効なツールであることを示す。 我々は,ベンチマークデータセット上での最先端技術の性能を競争力のある,あるいは超越した性能を示す。
  論文  参考訳（メタデータ） (2021-06-01T22:14:22Z)
• Learning Optical Flow from a Few Matches [67.83633948984954]
  密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。 実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
  論文  参考訳（メタデータ） (2021-04-05T21:44:00Z)
• The Geometry of Deep Generative Image Models and its Applications [0.0]
  generative adversarial networks (gans) は、実世界のデータセットの統計パターンをモデル化する強力な教師なし手法として登場した。 これらのネットワークは、潜在空間内のランダムな入力を学習データを表す新しいサンプルにマップするように訓練される。 潜在空間の構造は、その高い寸法性と発電機の非線形性のために内挿しが困難である。
  論文  参考訳（メタデータ） (2021-01-15T07:57:33Z)
• Practical applications of metric space magnitude and weighting vectors [8.212024590297894]
  距離空間の大きさは、空間内の異なる点の有効数の定量化を目的とした実数である。 計量空間のグローバル等級への各点の寄与は、エム重みベクトルによって符号化され、元の計量空間の基盤となる幾何の多くを捉えている。 驚いたことに、計量空間がユークリッド空間であるとき、重み付けベクトルは境界検出の有効なツールとしても機能する。
  論文  参考訳（メタデータ） (2020-06-24T21:30:55Z)
• Geometrically Mappable Image Features [85.81073893916414]
  地図内のエージェントの視覚に基づくローカライゼーションは、ロボット工学とコンピュータビジョンにおいて重要な問題である。 本稿では,画像検索を対象とした画像特徴学習手法を提案する。
  論文  参考訳（メタデータ） (2020-03-21T15:36:38Z)
• DeepEMD: Differentiable Earth Mover's Distance for Few-Shot Learning [122.51237307910878]
  我々は,画像領域間の最適なマッチングの新しい視点から,少数ショット画像分類法を開発した。 我々は、高密度画像表現間の構造距離を計算するために、Earth Mover's Distance (EMD) を用いている。 定式化において重要な要素の重みを生成するために,我々は相互参照機構を設計する。
  論文  参考訳（メタデータ） (2020-03-15T08:13:16Z)
• Fast Distance-based Anomaly Detection in Images Using an Inception-like Autoencoder [16.157879279661362]
  畳み込みオートエンコーダ(CAE)を訓練し、画像の低次元表現を抽出する。 画像の学習表現の低次元空間に距離ベースの異常検出器を用いる。 その結果,予測性能が向上した。
  論文  参考訳（メタデータ） (2020-03-12T16:10:53Z)

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。