論文の概要: Deep Kernelized Dense Geometric Matching

• arxiv url: http://arxiv.org/abs/2202.00667v1
• Date: Tue, 1 Feb 2022 18:58:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-02 13:53:09.494803
• Title: Deep Kernelized Dense Geometric Matching
• Title（参考訳）: 深層カーネル化密度幾何マッチング
• Authors: Johan Edstedt, M{\aa}rten Wadenb\"ack, Michael Felsberg
• Abstract要約: 深層カーネルを用いた連続確率回帰タスクとしてグローバル対応推定を定式化することを提案する。 提案手法は,競争力のあるHPatchesとYFCC100mベンチマークの最先端技術と比較して,大幅な改善を実現している。
• 参考スコア（独自算出の注目度）: 14.274582421372308
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Dense geometric matching is a challenging computer vision task, requiring accurate correspondences under extreme variations in viewpoint and illumination, even for low-texture regions. In this task, finding accurate global correspondences is essential for later refinement stages. The current learning based paradigm is to perform global fixed-size correlation, followed by flattening and convolution to predict correspondences. In this work, we consider the problem from a different perspective and propose to formulate global correspondence estimation as a continuous probabilistic regression task using deep kernels, yielding a novel approach to learning dense correspondences. Our full approach, \textbf{D}eep \textbf{K}ernelized \textbf{M}atching, achieves significant improvements compared to the state-of-the-art on the competitive HPatches and YFCC100m benchmarks, and we dissect the gains of our contributions in a thorough ablation study.
• Abstract（参考訳）: デンス幾何マッチングはコンピュータビジョンの課題であり、低テクスチャ領域であっても、視点と照明の極端な変化の下で正確な対応を必要とする。 この課題では、後の精練段階において正確なグローバル対応を見つけることが不可欠である。 現在の学習に基づくパラダイムは、グローバルな固定サイズ相関を実行し、次いで、対応を予測するためのフラット化と畳み込みを行う。 本研究では,この問題を異なる視点から検討し,大域対応推定をディープカーネルを用いた連続確率回帰タスクとして定式化し,密接な対応を学習するための新しいアプローチを提案する。 我々の完全なアプローチである \textbf{D}eep \textbf{K}ernelized \textbf{M}atching は、競争力のあるHPatches と YFCC100m ベンチマークの最先端と比較して大幅に改善され、徹底的なアブレーション研究における私たちの貢献の成果を識別する。

関連論文リスト

• LGU-SLAM: Learnable Gaussian Uncertainty Matching with Deformable Correlation Sampling for Deep Visual SLAM [11.715999663401591]
  学習可能な2次元ガウス不確実性モデルは、マッチングフレームペアを関連付けるように設計されている。 マルチスケールの変形可能な相関戦略を考案し、各方向のサンプリングを適応的に微調整する。 本手法の有効性と優位性を検証するために,実世界のデータセットと合成データセットの実験を行った。
  論文  参考訳（メタデータ） (2024-10-30T17:20:08Z)
• RGM: A Robust Generalizable Matching Model [49.60975442871967]
  RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。 合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。 さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
  論文  参考訳（メタデータ） (2023-10-18T07:30:08Z)
• Q-REG: End-to-End Trainable Point Cloud Registration with Surface Curvature [81.25511385257344]
  本稿では、リッチな幾何学的情報を用いて、単一の対応から剛性ポーズを推定する新しい解Q-REGを提案する。 Q-REGは、堅牢な推定を徹底的な探索として形式化し、エンドツーエンドのトレーニングを可能にする。 実験では、Q-REGは対応マッチング法に非依存であり、推論とエンドツーエンドトレーニングの両方で使用した場合に一貫した改善を提供する。
  論文  参考訳（メタデータ） (2023-09-27T20:58:53Z)
• SIGMA: Scale-Invariant Global Sparse Shape Matching [50.385414715675076]
  非剛体形状の正確なスパース対応を生成するための新しい混合整数プログラミング(MIP)法を提案する。 いくつかの挑戦的な3Dデータセットに対して,スパースな非剛性マッチングの最先端結果を示す。
  論文  参考訳（メタデータ） (2023-08-16T14:25:30Z)
• A2B: Anchor to Barycentric Coordinate for Robust Correspondence [25.719939636977934]
  偏心座標のような幾何学的不変な座標表現は特徴間のミスマッチを著しく低減できることを示す。 本稿では,ペア画像から複数のアフィン-不変対応座標を生成する新しいアンカー-バリー中心(A2B)座標符号化手法であるDECREEを紹介する。
  論文  参考訳（メタデータ） (2023-06-05T10:28:53Z)
• Federated Learning as Variational Inference: A Scalable Expectation Propagation Approach [66.9033666087719]
  本稿では,推論の視点を拡張し,フェデレート学習の変分推論の定式化について述べる。 我々は、FedEPを標準フェデレーション学習ベンチマークに適用し、収束速度と精度の両方において、強いベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-02-08T17:58:11Z)
• Neural Matching Fields: Implicit Representation of Matching Fields for Visual Correspondence [41.39740414165091]
  ニューラルマッチングフィールド(NeMF)と呼ばれる意味対応のための新しい手法を提案する。 高次元のマッチング場を学習する。なぜなら、4次元空間のすべてのピクセルから、ピクセルワイズ対応を推測するために、単純で網羅的な推論を行う必要があるからである。 これらの組み合わせにより、セマンティック対応のためのいくつかの標準ベンチマークで競争結果が得られる。
  論文  参考訳（メタデータ） (2022-10-06T05:38:27Z)
• Contextual Model Aggregation for Fast and Robust Federated Learning in Edge Computing [88.76112371510999]
  フェデレーション学習は、ネットワークエッジにおける分散機械学習の第一候補である。 既存のアルゴリズムは、性能の緩やかな収束や堅牢性の問題に直面している。 そこで本稿では,損失低減に対する最適コンテキスト依存境界を実現するためのコンテキストアグリゲーション手法を提案する。
  論文  参考訳（メタデータ） (2022-03-23T21:42:31Z)
• 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)

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。