論文の概要: Series Photo Selection via Multi-view Graph Learning
- arxiv url: http://arxiv.org/abs/2203.09736v1
- Date: Fri, 18 Mar 2022 04:23:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-22 00:52:47.268631
- Title: Series Photo Selection via Multi-view Graph Learning
- Title（参考訳）: 多視点グラフ学習による時系列写真選択
- Authors: Jin Huang, Lu Zhang, Yongshun Gong, Jian Zhang, Xiushan Nie, Yilong
Yin
- Abstract要約: 連続写真選択(SPS)は画像美学の質評価の重要な分野である。
我々は,マルチビュー特徴間の関係を構築するために,グラフニューラルネットワークを利用する。
ほぼ同一の一連の写真の中から最適なものを選択するために、シアムズネットワークが提案されている。
- 参考スコア（独自算出の注目度）: 52.33318426088579
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Series photo selection (SPS) is an important branch of the image aesthetics
quality assessment, which focuses on finding the best one from a series of
nearly identical photos. While a great progress has been observed, most of the
existing SPS approaches concentrate solely on extracting features from the
original image, neglecting that multiple views, e.g, saturation level, color
histogram and depth of field of the image, will be of benefit to successfully
reflecting the subtle aesthetic changes. Taken multi-view into consideration,
we leverage a graph neural network to construct the relationships between
multi-view features. Besides, multiple views are aggregated with an
adaptive-weight self-attention module to verify the significance of each view.
Finally, a siamese network is proposed to select the best one from a series of
nearly identical photos. Experimental results demonstrate that our model
accomplish the highest success rates compared with competitive methods.
- Abstract（参考訳）: シリーズ写真選択(SPS)は、画像美学の品質評価の重要な分野であり、ほぼ同一の写真から最高の写真を見つけることに焦点を当てている。
大きな進歩が見られたが、既存のSPSアプローチのほとんどはオリジナルの画像から特徴を抽出することのみに集中しており、例えば、彩度レベル、色ヒストグラム、画像の深度といった複数のビューが、微妙な美的変化をうまく反映するのに役立つことを無視している。
マルチビューを考慮したグラフニューラルネットワークを用いて,マルチビュー特徴間の関係を構築する。
さらに、複数のビューをアダプティブウェイトなセルフアテンションモジュールで集約し、各ビューの重要性を検証する。
最後に、ほぼ同一の写真から最適なものを選択するために、シアムズネットワークが提案されている。
実験の結果,本モデルは競争手法と比較して最も高い成功率を達成した。
関連論文リスト
- Synergy and Diversity in CLIP: Enhancing Performance Through Adaptive Backbone Ensembling [58.50618448027103]
コントラスト言語-画像事前学習(CLIP)は画像表現学習において顕著な手法である。
本稿では,CLIPを訓練した視覚バックボーンの違いについて検討する。
方法によって、最高の単一のバックボーンよりも39.1%の精度が著しく向上する。
論文 参考訳（メタデータ） (2024-05-27T12:59:35Z) - MM1: Methods, Analysis & Insights from Multimodal LLM Pre-training [103.72844619581811]
MLLM(Performant Multimodal Large Language Models)を構築する。
特に,さまざまなアーキテクチャコンポーネントとデータ選択の重要性について検討する。
本稿では,画像キャプチャ,インターリーブ画像テキスト,テキストのみのデータを組み合わせた大規模マルチモーダル事前学習について述べる。
論文 参考訳（メタデータ） (2024-03-14T17:51:32Z) - Multi-Spectral Image Stitching via Spatial Graph Reasoning [52.27796682972484]
空間グラフ推論に基づくマルチスペクトル画像縫合法を提案する。
同一のビュー位置から複数スケールの補完機能をノードに埋め込む。
空間的・チャネル的次元に沿った長距離コヒーレンスを導入することにより、画素関係の相補性とチャネル相互依存性は、整列したマルチビュー特徴の再構築に寄与する。
論文 参考訳（メタデータ） (2023-07-31T15:04:52Z) - Learning Contrastive Representation for Semantic Correspondence [150.29135856909477]
セマンティックマッチングのためのマルチレベルコントラスト学習手法を提案する。
画像レベルのコントラスト学習は、畳み込み特徴が類似したオブジェクト間の対応を見出すための鍵となる要素であることを示す。
論文 参考訳（メタデータ） (2021-09-22T18:34:14Z) - Focus on the Positives: Self-Supervised Learning for Biodiversity
Monitoring [9.086207853136054]
ラベルのない画像コレクションから自己教師付き表現を学習する問題に対処する。
我々は,入力画像間の空間的関係や時間的関係などの情報を符号化する,手軽に利用可能なコンテキストデータを利用する。
地球生物多様性監視の重要課題として、人間の監督が限定された視覚的種分類タスクに適応可能な画像特徴があげられる。
論文 参考訳（メタデータ） (2021-08-14T01:12:41Z) - Multi-Label Image Classification with Contrastive Learning [57.47567461616912]
コントラスト学習の直接適用は,複数ラベルの場合においてほとんど改善できないことを示す。
完全教師付き環境下でのコントラスト学習を用いたマルチラベル分類のための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-07-24T15:00:47Z) - Multi-view Contrastive Coding of Remote Sensing Images at Pixel-level [5.64497799927668]
この制限を克服するために、ラベルのないマルチビュー設定に基づく画素単位のコントラスト的アプローチを提案する。
擬似媒介ResUnetは、シフトした正のペアから特徴を整列することを目的とした表現を学ぶために訓練される。
その結果,最先端のマルチビューコントラスト法よりも効率と精度が向上した。
論文 参考訳（メタデータ） (2021-05-18T13:28:46Z) - Efficient and Accurate Multi-scale Topological Network for Single Image
Dehazing [31.543771270803056]
本稿では,入力画像自体の特徴抽出と利用に注意を払います。
本稿では,マルチスケールトポロジカルネットワーク (mstn) を提案する。
一方、我々は、異なるスケールで機能の選択と融合を達成するために、マルチスケール機能融合モジュール(MFFM)と適応機能選択モジュール(AFSM)を設計します。
論文 参考訳（メタデータ） (2021-02-24T08:53:14Z)
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。