論文の概要: Eigencontours: Novel Contour Descriptors Based on Low-Rank Approximation

• arxiv url: http://arxiv.org/abs/2203.15259v1
• Date: Tue, 29 Mar 2022 06:14:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-31 05:09:31.240830
• Title: Eigencontours: Novel Contour Descriptors Based on Low-Rank Approximation
• Title（参考訳）: 固有輪郭:低ランク近似に基づく新しい輪郭記述子
• Authors: Wonhui Park, Dongkwon Jin, Chang-Su Kim
• Abstract要約: 等角行列を最高階数-M近似により固有等角行列に分解する。 M 固有輪郭の線形結合により対象境界を表現する。 提案アルゴリズムは,インスタンスセグメンテーションデータセット上で有意義な性能を示す。
• 参考スコア（独自算出の注目度）: 40.13463458124477
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Novel contour descriptors, called eigencontours, based on low-rank approximation are proposed in this paper. First, we construct a contour matrix containing all object boundaries in a training set. Second, we decompose the contour matrix into eigencontours via the best rank-M approximation. Third, we represent an object boundary by a linear combination of the M eigencontours. We also incorporate the eigencontours into an instance segmentation framework. Experimental results demonstrate that the proposed eigencontours can represent object boundaries more effectively and more efficiently than existing descriptors in a low-dimensional space. Furthermore, the proposed algorithm yields meaningful performances on instance segmentation datasets.
• Abstract（参考訳）: 本稿では,低位近似に基づく固有輪郭と呼ばれる新しい輪郭ディスクリプタを提案する。 まず、トレーニングセット内のすべてのオブジェクト境界を含む輪郭行列を構築する。 第二に、等角行列を最高階数-M近似により固有等角行列に分解する。 第三に、M 固有輪郭の線型結合によって対象の境界を表す。 また、インスタンスセグメンテーションフレームワークにeigencontoursを組み込んでいます。 実験の結果, 提案する固有輪郭は, 既存の低次元空間のディスクリプタよりも効率的に, 効率的に表現できることがわかった。 さらに,提案アルゴリズムは,インスタンスセグメンテーションデータセット上で有意義な性能を与える。

関連論文リスト

• SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
  本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。 私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。 アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
  論文  参考訳（メタデータ） (2024-09-30T17:59:03Z)
• AdaContour: Adaptive Contour Descriptor with Hierarchical Representation [52.381359663689004]
  既存の角度ベースの輪郭記述子は、星以外の形状の損失表現に悩まされる。 AdaConは、他のディスクリプタよりも正確に形を表現できる。
  論文  参考訳（メタデータ） (2024-04-12T07:30:24Z)
• Dual feature-based and example-based explanation methods [2.024925013349319]
  地域的・グローバルな説明に対する新たなアプローチが提案されている。 これは、説明されたインスタンスの周りの有限個の点に対して構築された凸包を選択することに基づいている。 提案されたアルゴリズムのコードは利用可能である。
  論文  参考訳（メタデータ） (2024-01-29T16:53:04Z)
• Mode-wise Principal Subspace Pursuit and Matrix Spiked Covariance Model [13.082805815235975]
  行列データに対して行次元と列次元の両方に隠れたバリエーションを抽出するために,モードワイド・プリンシパル・サブスペース・スーツ (MOP-UP) と呼ばれる新しいフレームワークを導入する。 提案フレームワークの有効性と実用性は、シミュレーションと実データの両方の実験を通して実証される。
  論文  参考訳（メタデータ） (2023-07-02T13:59:47Z)
• Semi-Supervised Clustering via Dynamic Graph Structure Learning [12.687613487964088]
  既存の半教師付きグラフベースのクラスタリング手法は、アフィニティ行列の精細化や、データポイントの低次元表現の制約によって、監督情報を利用する。 半教師付きグラフクラスタリングのための動的グラフ学習法を提案する。
  論文  参考訳（メタデータ） (2022-09-06T14:05:31Z)
• Semi-Supervised Subspace Clustering via Tensor Low-Rank Representation [64.49871502193477]
  本稿では,初期監視情報を同時に拡張し,識別親和性行列を構築することのできる,新しい半教師付きサブスペースクラスタリング手法を提案する。 6つの一般的なベンチマークデータセットの総合的な実験結果から,本手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-21T01:47:17Z)
• Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via GDPA Linearization [59.87663954467815]
  アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。 本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。 実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
  論文  参考訳（メタデータ） (2021-09-10T07:01:15Z)
• Graph Partitioning and Sparse Matrix Ordering using Reinforcement Learning [0.13999481573773068]
  本稿では,強化学習とグラフ畳み込みニューラルネットワークに基づくグラフ分割手法を提案する。 提案手法はMETISやスコッチと同様の仕切り品質を実現する。 この方法は、あるクラスのグラフから別のグラフに一般化し、 suitesparse sparse matrix collectionの様々なグラフでうまく機能する。
  論文  参考訳（メタデータ） (2021-04-08T06:54:24Z)
• Hybrid Trilinear and Bilinear Programming for Aligning Partially Overlapping Point Sets [85.71360365315128]
  多くの応用において、部分重なり合う点集合が対応するRPMアルゴリズムに不変であるようなアルゴリズムが必要である。 まず、目的が立方体有界関数であることを示し、次に、三線型および双線型単相変換の凸エンベロープを用いて、その下界を導出する。 次に、変換変数上の分岐のみを効率よく実行するブランチ・アンド・バウンド(BnB)アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-01-19T04:24:23Z)

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。