Fugu-MT 論文翻訳(概要): Contrastive Learning with Large Memory Bank and Negative Embedding Subtraction for Accurate Copy Detection

論文の概要: Contrastive Learning with Large Memory Bank and Negative Embedding Subtraction for Accurate Copy Detection

arxiv url: http://arxiv.org/abs/2112.04323v1
Date: Wed, 8 Dec 2021 15:08:10 GMT
ステータス: 処理完了
システム内更新日: 2021-12-09 18:17:29.864091
Title: Contrastive Learning with Large Memory Bank and Negative Embedding Subtraction for Accurate Copy Detection
Title（参考訳）: 高精度コピー検出のための大きなメモリバンクと負埋め込み減算を用いたコントラスト学習
Authors: Shuhei Yokoo
Abstract要約: コピー検出は、ある画像がデータベース内の任意の画像の修正されたコピーであるかどうかを決定するタスクである。コントラスト学習を用いて畳み込みニューラルネットワーク(CNN)を訓練した。私たちの方法では、Facebook AI Image similarity Challenge: Descriptor Trackで1位を獲得しました。
参考スコア（独自算出の注目度）: 1.90365714903665
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Copy detection, which is a task to determine whether an image is a modified copy of any image in a database, is an unsolved problem. Thus, we addressed copy detection by training convolutional neural networks (CNNs) with contrastive learning. Training with a large memory-bank and hard data augmentation enables the CNNs to obtain more discriminative representation. Our proposed negative embedding subtraction further boosts the copy detection accuracy. Using our methods, we achieved 1st place in the Facebook AI Image Similarity Challenge: Descriptor Track. Our code is publicly available here: \url{https://github.com/lyakaap/ISC21-Descriptor-Track-1st}
Abstract（参考訳）: コピー検出は、画像がデータベース内の任意の画像の修正コピーであるかどうかを決定するタスクであり、未解決の問題である。そこで我々は,コンボリューションニューラルネットワーク(CNN)の学習を対照的に行うことで,コピー検出に対処した。大きなメモリバンクとハードデータ拡張によるトレーニングにより、cnnはより識別的な表現を得ることができる。提案する負埋め込み減算はコピー検出精度をさらに向上させる。私たちの方法では、Facebook AI Image similarity Challenge: Descriptor Trackで1位を獲得しました。我々のコードはここで公開されている。 \url{https://github.com/lyakaap/ISC21-Descriptor-Track-1st}

関連論文リスト

Transductive Learning for Near-Duplicate Image Detection in Scanned Photo Collections [0.0]
本稿では,実世界のユースケースシナリオにおける近距離画像検出技術の比較研究について述べる。本稿では、畳み込みニューラルネットワーク(CNN)や視覚変換器(ViT)といった最先端のディープラーニングアーキテクチャを活用するトランスダクティブ学習手法を提案する。提案手法は,UKBenchと社内のプライベートデータセットにおいて,ほぼ重複画像検出のタスクにおいて,ベースライン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） (2024-10-25T09:56:15Z)
Generating Aligned Pseudo-Supervision from Non-Aligned Data for Image Restoration in Under-Display Camera [84.41316720913785]
トレーニングデータ収集のための古典的なステレオセットアップを再考する -- 同じシーンの2つの画像を1つのUDCと1つの標準カメラでキャプチャする。鍵となるアイデアは、高品質な参照イメージから詳細を"コピー"し、UDCイメージ上でそれらを"ペースト"することです。トランスフォーマーベースの新しいフレームワークは、対応するUDC入力に対して、整合性はあるが高品質なターゲットデータを生成する。
論文参考訳（メタデータ） (2023-04-12T17:56:42Z)
Active Image Indexing [26.33727468288776]
本稿では,能動インデックス化による画像コピー検出のロバスト性の向上について述べる。我々は、画像が解放される前に、画像に知覚不可能な変化を加えることにより、所定の画像表現の量子化損失を低減する。実験により, アクティベート画像の検索とコピー検出が大幅に改善された。
論文参考訳（メタデータ） (2022-10-05T17:55:15Z)
A Self-Supervised Descriptor for Image Copy Detection [13.624995441674642]
本稿では,自己監督型コントラスト学習目標に基づくモデルであるSSCDを紹介する。本手法は,アーキテクチャと学習目標を変更することで,コピー検出タスクに適応する。このアプローチはエントロピー正規化項に依存し、記述子ベクトル間の一貫した分離を促進する。
論文参考訳（メタデータ） (2022-02-21T14:25:32Z)
Bag of Tricks and A Strong baseline for Image Copy Detection [36.473577708618976]
画像コピー検出には,トリックの袋と強力なベースラインが提案されている。我々は、異なるクエリのスコアを安定させるために、記述子ストレッチ戦略を設計する。提案されたベースラインは、Facebook AI Image similarity Challenge: Descriptor Trackの参加者526人中3位である。
論文参考訳（メタデータ） (2021-11-13T13:58:43Z)
Compact Binary Fingerprint for Image Copy Re-Ranking [0.0]
画像コピー検出はコンピュータビジョンと信号処理において困難で魅力的なトピックである。 SIFTなどのローカルキーポイントディスクリプタを使用して画像を表現する。特徴量を定量化し、精度の低下を犠牲にして、大規模データベースに対して探索・マッチングを可能にする。
論文参考訳（メタデータ） (2021-09-16T08:44:56Z)
Unsupervised Pretraining for Object Detection by Patch Reidentification [72.75287435882798]
教師なし表現学習は、オブジェクトディテクタの事前トレーニング表現で有望なパフォーマンスを実現します。本研究では,オブジェクト検出のための簡易かつ効果的な表現学習手法であるパッチ再識別(Re-ID)を提案する。私たちの方法は、トレーニングの反復やデータパーセンテージなど、すべての設定でCOCOの同等を大幅に上回ります。
論文参考訳（メタデータ） (2021-03-08T15:13:59Z)
Data Augmentation for Object Detection via Differentiable Neural Rendering [71.00447761415388]
注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
論文参考訳（メタデータ） (2021-03-04T06:31:06Z)
DetCo: Unsupervised Contrastive Learning for Object Detection [64.22416613061888]
教師なしのコントラスト学習は,CNNを用いた画像表現学習において大きな成功を収めている。我々は,グローバルイメージとローカルイメージパッチのコントラストをフルに検討する,DetCoという新しいコントラスト学習手法を提案する。 DetCoは1倍のスケジュールでMask RCNN-C4/FPN/RetinaNet上で1.6/1.2/1.0 APで教師付き手法を一貫して上回っている。
論文参考訳（メタデータ） (2021-02-09T12:47:20Z)
D-Unet: A Dual-encoder U-Net for Image Splicing Forgery Detection and Localization [108.8592577019391]
画像スプライシング偽造検出は、画像指紋によって改ざんされた領域と非改ざんされた領域を区別するグローバルバイナリ分類タスクである。画像スプライシングフォージェリ検出のためのデュアルエンコーダU-Net(D-Unet)という,固定されていないエンコーダと固定エンコーダを用いた新しいネットワークを提案する。 D-Unetと最先端技術の比較実験において、D-Unetは画像レベルおよび画素レベルの検出において他の手法よりも優れていた。
論文参考訳（メタデータ） (2020-12-03T10:54:02Z)
An Empirical Study of the Collapsing Problem in Semi-Supervised 2D Human Pose Estimation [80.02124918255059]
半教師付き学習は、ラベルなし画像の探索によってモデルの精度を高めることを目的としている。私たちは相互に教え合うために2つのネットワークを学びます。各ネットワーク内の容易なイメージに関するより信頼性の高い予測は、他のネットワークに対応するハードイメージについて学ぶように教えるために使用される。
論文参考訳（メタデータ） (2020-11-25T03:29:52Z)

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。