論文の概要: Zero Pixel Directional Boundary by Vector Transform

• arxiv url: http://arxiv.org/abs/2203.08795v1
• Date: Wed, 16 Mar 2022 17:55:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-17 14:16:23.161516
• Title: Zero Pixel Directional Boundary by Vector Transform
• Title（参考訳）: ベクトル変換によるゼロ画素方向境界
• Authors: Edoardo Mello Rella, Ajad Chhatkuli, Yun Liu, Ender Konukoglu, Luc Van Gool
• Abstract要約: 我々は境界を1次元曲面として再解釈し、1対1のベクトル変換関数を定式化し、クラス不均衡問題を完全に回避する境界予測の訓練を可能にする。 我々の問題定式化は、境界の方向推定だけでなく、よりリッチなコンテキスト情報もたらし、もし望めば、訓練時にもゼロピクセルの薄い境界が利用可能となる。
• 参考スコア（独自算出の注目度）: 77.63061686394038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Boundaries are among the primary visual cues used by human and computer vision systems. One of the key problems in boundary detection is the label representation, which typically leads to class imbalance and, as a consequence, to thick boundaries that require non-differential post-processing steps to be thinned. In this paper, we re-interpret boundaries as 1-D surfaces and formulate a one-to-one vector transform function that allows for training of boundary prediction completely avoiding the class imbalance issue. Specifically, we define the boundary representation at any point as the unit vector pointing to the closest boundary surface. Our problem formulation leads to the estimation of direction as well as richer contextual information of the boundary, and, if desired, the availability of zero-pixel thin boundaries also at training time. Our method uses no hyper-parameter in the training loss and a fixed stable hyper-parameter at inference. We provide theoretical justification/discussions of the vector transform representation. We evaluate the proposed loss method using a standard architecture and show the excellent performance over other losses and representations on several datasets.
• Abstract（参考訳）: 境界は、人間とコンピュータの視覚システムで使われる主要な視覚手がかりの1つである。 境界検出における重要な問題の1つはラベル表現であり、これは典型的にはクラス不均衡を招き、結果として非微分後処理ステップを細くする必要がある厚い境界に繋がる。 本稿では,境界を1次元曲面として再解釈し,クラス不均衡問題を完全に回避した境界予測のトレーニングを可能にする1対1ベクトル変換関数を定式化する。 具体的には、任意の点における境界表現を、最も近い境界面を指し示す単位ベクトルとして定義する。 提案する問題定式化は,方向推定と境界のより豊かな文脈情報につながり,所望であれば訓練時間にもゼロピクセルの薄さのバウンダリが利用可能となる。 本手法では,トレーニング損失にハイパーパラメータを使用せず,推論時に安定なハイパーパラメータを固定する。 ベクトル変換表現の理論的正当化/判別を提供する。 提案手法を標準アーキテクチャを用いて評価し,複数のデータセット上の他の損失や表現よりも優れた性能を示す。

関連論文リスト

• Refined Risk Bounds for Unbounded Losses via Transductive Priors [58.967816314671296]
  線形回帰の逐次変分を2乗損失、ヒンジ損失の分類問題、ロジスティック回帰で再検討する。 我々の鍵となるツールは、慎重に選択された導出先を持つ指数重み付けアルゴリズムに基づいている。
  論文  参考訳（メタデータ） (2024-10-29T00:01:04Z)
• Inverse Boundary Value and Optimal Control Problems on Graphs: A Neural and Numerical Synthesis [0.0]
  現在のアーキテクチャにおける重要な要素は、境界を注入したメッセージパッシングニューラルネットワークです。 境界から離れたノードでの予測を安定化するのに役立つグラフィカル距離に基づく正規化手法が導入された。
  論文  参考訳（メタデータ） (2022-06-06T21:26:23Z)
• PNM: Pixel Null Model for General Image Segmentation [17.971090313814447]
  ランダムセグメンタによって正しく分類される確率に応じて各ピクセルを重み付けする先行モデルを提案する。 3つのデータセットに対するセグメンテーションのセグメンテーション・タスクの実験により、PNMはセグメンテーションの品質を一貫して改善することを確認した。 本稿では,境界のシャープさを認識できる新しい測度であるtextitPNM IoUを提案する。
  論文  参考訳（メタデータ） (2022-03-13T15:17:41Z)
• Deep Learning Approximation of Diffeomorphisms via Linear-Control Systems [91.3755431537592]
  我々は、制御に線形に依存する$dot x = sum_i=1lF_i(x)u_i$という形の制御系を考える。 対応するフローを用いて、コンパクトな点のアンサンブル上の微分同相写像の作用を近似する。
  論文  参考訳（メタデータ） (2021-10-24T08:57:46Z)
• Active Boundary Loss for Semantic Segmentation [58.72057610093194]
  本稿では,セマンティックセグメンテーションのための新しいアクティブ境界損失を提案する。 エンド・ツー・エンドのトレーニングにおいて、予測境界とグランド・トゥルース・バウンダリのアライメントを徐々に促進することができる。 実験結果から, アクティブ境界損失によるトレーニングは, 境界Fスコアと平均インターセクションオーバ・ユニオンを効果的に改善できることが示された。
  論文  参考訳（メタデータ） (2021-02-04T15:47:54Z)
• Edge-Preserving Guided Semantic Segmentation for VIPriors Challenge [3.435043566706133]
  現在の最先端およびディープラーニングに基づくセマンティックセマンティックセグメンテーション技術は、よく訓練することは難しい。 付加的な事前情報を得るためのエッジ保存ガイダンスを提案する。 実験により,提案手法は小型のトレーニングセットで優れた性能が得られることを示した。
  論文  参考訳（メタデータ） (2020-07-17T11:49:10Z)
• DeepStrip: High Resolution Boundary Refinement [60.00241966809684]
  関心領域をストリップ画像に変換し、ストリップ領域の境界予測を計算することを提案する。 対象境界を検出するために,2つの予測層を持つフレームワークを提案する。 我々は、誤報を減らすために、整合性とC0連続性正規化をネットワークに強制する。
  論文  参考訳（メタデータ） (2020-03-25T22:44:48Z)
• Semiparametric Nonlinear Bipartite Graph Representation Learning with Provable Guarantees [106.91654068632882]
  半パラメトリック指数族分布におけるパラメータの統計的推定問題として、両部グラフを考察し、その表現学習問題を定式化する。 提案手法は, 地中真理付近で強い凸性を示すため, 勾配降下法が線形収束率を達成できることを示す。 我々の推定器は指数族内の任意のモデル誤特定に対して頑健であり、広範な実験で検証されている。
  論文  参考訳（メタデータ） (2020-03-02T16:40:36Z)

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。