論文の概要: DenseGAP: Graph-Structured Dense Correspondence Learning with Anchor Points

• arxiv url: http://arxiv.org/abs/2112.06910v1
• Date: Mon, 13 Dec 2021 18:59:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-14 17:45:21.756600
• Title: DenseGAP: Graph-Structured Dense Correspondence Learning with Anchor Points
• Title（参考訳）: DenseGAP:アンカーポイントを用いたグラフ構造化Dense対応学習
• Authors: Zhengfei Kuang, Jiaman Li, Mingming He, Tong Wang, Yajie Zhao
• Abstract要約: 2つの画像間の密接な対応を確立することは、基本的なコンピュータビジョンの問題である。 我々は、アンカーポイントに条件付きグラフ構造化ニューラルネットワークを用いたDense対応学習のための新しいソリューションであるDenseGAPを紹介する。 提案手法は,ほとんどのベンチマークにおいて対応学習の最先端化を図っている。
• 参考スコア（独自算出の注目度）: 15.953570826460869
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Establishing dense correspondence between two images is a fundamental computer vision problem, which is typically tackled by matching local feature descriptors. However, without global awareness, such local features are often insufficient for disambiguating similar regions. And computing the pairwise feature correlation across images is both computation-expensive and memory-intensive. To make the local features aware of the global context and improve their matching accuracy, we introduce DenseGAP, a new solution for efficient Dense correspondence learning with a Graph-structured neural network conditioned on Anchor Points. Specifically, we first propose a graph structure that utilizes anchor points to provide sparse but reliable prior on inter- and intra-image context and propagates them to all image points via directed edges. We also design a graph-structured network to broadcast multi-level contexts via light-weighted message-passing layers and generate high-resolution feature maps at low memory cost. Finally, based on the predicted feature maps, we introduce a coarse-to-fine framework for accurate correspondence prediction using cycle consistency. Our feature descriptors capture both local and global information, thus enabling a continuous feature field for querying arbitrary points at high resolution. Through comprehensive ablative experiments and evaluations on large-scale indoor and outdoor datasets, we demonstrate that our method advances the state-of-the-art of correspondence learning on most benchmarks.
• Abstract（参考訳）: 2つの画像間の密接な対応を確立することは基本的なコンピュータビジョンの問題であり、通常は局所的な特徴記述子に一致する。 しかし、グローバルな認識がなければ、そのような地域の特徴はしばしば類似の地域を曖昧にするために不十分である。 そして、画像間でのペアワイズ特徴相関の計算は、計算負荷とメモリ集約の両方である。 局所的な特徴をグローバルなコンテキストに認識させ,それらのマッチング精度を向上させるために,アンカーポイントに条件付きグラフ構造化ニューラルネットワークを用いたDense対応学習のための新しいソリューションであるDenseGAPを導入する。 具体的には、まず、画像間および画像内コンテキストに先立って、アンカーポイントを使用するグラフ構造を提案し、すべての画像ポイントに有向エッジを介して伝搬する。 また,光重み付きメッセージパッシング層を介してマルチレベルコンテキストをブロードキャストし,低メモリコストで高分解能特徴マップを生成するグラフ構造ネットワークを設計した。 最後に、予測された特徴マップに基づいて、サイクル整合性を用いた正確な対応予測のための粗大なフレームワークを提案する。 特徴記述子はローカル情報とグローバル情報の両方をキャプチャし、任意の点を高解像度で問合せするための連続的特徴フィールドを可能にする。 大規模屋内および屋外の大規模データセットに対する包括的アブレーション実験と評価を通じて,本手法がほとんどのベンチマーク上での対応学習の最先端化を実証する。

関連論文リスト

• Adaptive Local-Component-aware Graph Convolutional Network for One-shot Skeleton-based Action Recognition [54.23513799338309]
  骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。 我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
  論文  参考訳（メタデータ） (2022-09-21T02:33:07Z)
• Bending Graphs: Hierarchical Shape Matching using Gated Optimal Transport [80.64516377977183]
  形状マッチングは、コンピュータグラフィックスと視覚のコミュニティにとって長い間研究されてきた問題である。 局所的なパッチレベル情報とグローバルな形状レベルの構造を組み込んだ階層型学習設計について検討する。 本研究では,非信頼ノード上の特徴を逐次更新し,形状間の一貫した一致を学習することで,新しい最適輸送解法を提案する。
  論文  参考訳（メタデータ） (2022-02-03T11:41:46Z)
• Global Context Aware RCNN for Object Detection [1.1939762265857436]
  我々はGCA (Global Context Aware) RCNNと呼ばれる新しいエンドツーエンドのトレーニング可能なフレームワークを提案する。 GCAフレームワークの中核となるコンポーネントは、グローバルな特徴ピラミッドとアテンション戦略の両方を特徴抽出と特徴改善に使用する、コンテキスト認識メカニズムである。 最後に,モデルの複雑さと計算負担をわずかに増加させる軽量バージョンを提案する。
  論文  参考訳（メタデータ） (2020-12-04T14:56:46Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)
• Inter-Image Communication for Weakly Supervised Localization [77.2171924626778]
  弱教師付きローカライゼーションは、画像レベルの監督のみを使用して対象対象領域を見つけることを目的としている。 我々は,より正確な物体位置を学習するために,異なる物体間の画素レベルの類似性を活用することを提案する。 ILSVRC検証セット上でトップ1のローカライズ誤差率45.17%を達成する。
  論文  参考訳（メタデータ） (2020-08-12T04:14:11Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)
• Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
  弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。 このようなペア関係を学習するための反復アルゴリズムを提案する。 本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
  論文  参考訳（メタデータ） (2020-02-19T10:32:03Z)
• Deep Graph Matching Consensus [19.94426142777885]
  この研究は、グラフ間の構造的対応を学習し、精製するための2段階のニューラルアーキテクチャを示す。 まず、グラフニューラルネットワークによって計算された局所化ノード埋め込みを用いて、ノード間のソフト対応の最初のランキングを得る。 第2に、同期メッセージパッシングネットワークを用いて、ソフト対応を反復的に再ランクし、グラフ間の局所的な近傍で一致したコンセンサスに到達する。
  論文  参考訳（メタデータ） (2020-01-27T08:05:57Z)

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。