論文の概要: Data-Driven, Soft Alignment of Functional Data Using Shapes and
Landmarks
- arxiv url: http://arxiv.org/abs/2203.14810v1
- Date: Tue, 22 Mar 2022 04:32:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-03 17:48:03.646347
- Title: Data-Driven, Soft Alignment of Functional Data Using Shapes and
Landmarks
- Title(参考訳): 形状とランドマークを用いた機能データのデータ駆動・ソフトアライメント
- Authors: Xiaoyang Guo, Wei Wu, Anuj Srivastava
- Abstract要約: フィッシャー・ラオ計量と平方根速度関数(SRVF)に基づく手法は優れた性能を示した。
本稿では,ランドマーク情報の導入を可能にする拡張を提案する。
- 参考スコア(独自算出の注目度): 22.36440013495061
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Alignment or registration of functions is a fundamental problem in
statistical analysis of functions and shapes. While there are several
approaches available, a more recent approach based on Fisher-Rao metric and
square-root velocity functions (SRVFs) has been shown to have good performance.
However, this SRVF method has two limitations: (1) it is susceptible to over
alignment, i.e., alignment of noise as well as the signal, and (2) in case
there is additional information in form of landmarks, the original formulation
does not prescribe a way to incorporate that information. In this paper we
propose an extension that allows for incorporation of landmark information to
seek a compromise between matching curves and landmarks. This results in a soft
landmark alignment that pushes landmarks closer, without requiring their exact
overlays to finds a compromise between contributions from functions and
landmarks. The proposed method is demonstrated to be superior in certain
practical scenarios.
- Abstract(参考訳): 関数のアライメントや登録は、関数や形状の統計解析における根本的な問題である。
利用可能なアプローチはいくつかあるが、より最近のアプローチではフィッシャー・ラオ計量と平方根速度関数(SRVF)が優れていることが示されている。
しかし、このsrvf法には2つの制限がある:(1)信号と同様にノイズのアライメントが過大なアライメントに影響を受けやすく、(2)ランドマークの形で追加情報が存在する場合、元の定式化ではその情報を組み込む方法を規定していない。
本稿では,ランドマーク情報の導入により,一致する曲線とランドマークの妥協を求める拡張手法を提案する。
これにより、関数とランドマークからのコントリビューションの妥協を見つけるために正確なオーバーレイを必要とせず、ランドマークを近づけるソフトなランドマークアライメントが実現される。
提案手法は,特定のシナリオにおいて優れていることを示す。
関連論文リスト
- Robust Self-Tuning Data Association for Geo-Referencing Using Lane
Markings [54.298482823211806]
本稿では,データアソシエーションにおけるあいまいさを解消するための完全なパイプラインを提案する。
その中核は、測定のエントロピーに応じて探索領域に適応する堅牢な自己調整データアソシエーションである。
ドイツ・カールスルーエ市周辺の都市・農村のシナリオを実データとして評価した。
論文 参考訳(メタデータ) (2022-07-28T12:29:39Z) - Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。
IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。
提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
論文 参考訳(メタデータ) (2022-06-17T09:40:14Z) - Gleo-Det: Deep Convolution Feature-Guided Detector with Local Entropy
Optimization for Salient Points [5.955667705173262]
本稿では, 深い畳み込み特徴のガイダンスを伴い, 繰り返し可能性の要求に基づき, きめ細かな制約を実現することを提案する。
畳み込み特徴のガイダンスを用いて、正と負の両面からコスト関数を定義する。
論文 参考訳(メタデータ) (2022-04-27T12:40:21Z) - Multiway Non-rigid Point Cloud Registration via Learned Functional Map
Synchronization [105.14877281665011]
我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。
提案手法は,登録精度において最先端の性能を達成できることを実証する。
論文 参考訳(メタデータ) (2021-11-25T02:37:59Z) - DPFM: Deep Partial Functional Maps [28.045544079256686]
我々は、潜在的に有意な部分性を有する非剛体形状間の密接な対応を計算することの問題を考察する。
部分的な非剛体形状対応を直接目的とする初等学習手法を提案する。
我々のアプローチは関数マップフレームワークを使用し、教師なしまたは教師なしの方法で訓練し、データから直接記述子を学習する。
論文 参考訳(メタデータ) (2021-10-19T14:05:37Z) - Inter-class Discrepancy Alignment for Face Recognition [55.578063356210144]
IA(Inter-class DiscrepancyAlignment)という統合フレームワークを提案する。
IDA-DAOは、画像と隣人の相違を考慮した類似度スコアの整合に使用される。
IDA-SSEは、GANで生成された仮想候補画像を導入することで、説得力のあるクラス間隣人を提供できます。
論文 参考訳(メタデータ) (2021-03-02T08:20:08Z) - Unsupervised Feature Learning for Event Data: Direct vs Inverse Problem
Formulation [53.850686395708905]
イベントベースのカメラは、ピクセルごとの明るさ変化の非同期ストリームを記録する。
本稿では,イベントデータからの表現学習のための単一層アーキテクチャに焦点を当てる。
我々は,最先端手法と比較して,認識精度が最大9%向上したことを示す。
論文 参考訳(メタデータ) (2020-09-23T10:40:03Z) - Holistically-Attracted Wireframe Parsing [123.58263152571952]
本稿では,入力画像中のベクトル化ワイヤフレームを1つのフォワードパスで検出する高速で類似的な解析手法を提案する。
提案手法は, (i) ラインセグメントとジャンクション提案生成, (ii) ラインセグメントとジャンクションマッチング, (iii) ラインセグメントとジャンクション検証の3つのコンポーネントから構成される。
論文 参考訳(メタデータ) (2020-03-03T17:43:57Z)
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。