論文の概要: Gleo-Det: Deep Convolution Feature-Guided Detector with Local Entropy
Optimization for Salient Points
- arxiv url: http://arxiv.org/abs/2204.12884v1
- Date: Wed, 27 Apr 2022 12:40:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-28 14:16:07.437969
- Title: Gleo-Det: Deep Convolution Feature-Guided Detector with Local Entropy
Optimization for Salient Points
- Title（参考訳）: Gleo-Det: 局所エントロピー最適化型深部畳み込み型特徴誘導検出器
- Authors: Chao Li, Yanan You, Wenli Zhou
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.955667705173262
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Feature detection is an important procedure for image matching, where
unsupervised feature detection methods are the detection approaches that have
been mostly studied recently, including the ones that are based on
repeatability requirement to define loss functions, and the ones that attempt
to use descriptor matching to drive the optimization of the pipelines. For the
former type, mean square error (MSE) is usually used which cannot provide
strong constraint for training and can make the model easy to be stuck into the
collapsed solution. For the later one, due to the down sampling operation and
the expansion of receptive fields, the details can be lost for local
descriptors can be lost, making the constraint not fine enough. Considering the
issues above, we propose to combine both ideas, which including three aspects.
1) We propose to achieve fine constraint based on the requirement of
repeatability while coarse constraint with guidance of deep convolution
features. 2) To address the issue that optimization with MSE is limited,
entropy-based cost function is utilized, both soft cross-entropy and
self-information. 3) With the guidance of convolution features, we define the
cost function from both positive and negative sides. Finally, we study the
effect of each modification proposed and experiments demonstrate that our
method achieves competitive results over the state-of-the-art approaches.
- Abstract（参考訳）: 機能検出は画像マッチングの重要な手順であり、教師なしの特徴検出手法は、損失関数を定義するための繰り返し可能性要件に基づくものや、パイプラインの最適化を駆動するために記述子マッチングを使用しようとするものなど、最近研究されていることのほとんどである。
前者の場合、平均二乗誤差(mse)は通常、訓練に強い制約を与えず、崩壊した解にモデルを簡単に留めることができる。
後者の場合、ダウンサンプリング操作と受容フィールドの拡張により、局所ディスクリプタでは詳細が失われる可能性があるため、制約が十分ではない。
上記の問題を考慮し,三つの側面を含む両概念を組み合わせることを提案する。
1) 深い畳み込み特徴のガイダンスを伴い, 再現性の要求に基づいて細かな制約を実現することを提案する。
2) MSEによる最適化が限られている問題に対処するために,ソフトクロスエントロピーと自己情報の両方を用いてエントロピーに基づくコスト関数を利用する。
3) 畳み込み特徴の指導により, コスト関数を正と負の両方から定義する。
最後に,提案する各修正の効果について検討し,本手法が最先端手法よりも競争力のある結果が得られることを示す。
関連論文リスト
- Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。
このような問題は医学、物理学、機械学習で発生する。
両種類の雑音下で提案アルゴリズムの収束保証を行う。
論文 参考訳（メタデータ） (2024-11-21T10:26:17Z) - OIL-AD: An Anomaly Detection Framework for Sequential Decision Sequences [16.828732283348817]
オフライン学習に基づく異常検出(OIL-AD)と呼ばれる教師なし手法を提案する。
OIL-ADは2つの抽出された行動特徴(行動最適性と順序関連)を用いて、意思決定シーケンスの異常を検出する。
実験の結果,OIL-ADはF1スコアを最大34.8%向上し,優れたオンライン異常検出性能が得られることがわかった。
論文 参考訳（メタデータ） (2024-02-07T04:06:53Z) - Understanding and Constructing Latent Modality Structures in Multi-modal
Representation Learning [53.68371566336254]
優れたパフォーマンスの鍵は、完全なモダリティアライメントではなく、有意義な潜在モダリティ構造にある、と我々は主張する。
具体的には,1)モダリティ内正規化のための深い特徴分離損失,2)モダリティ間正規化のためのブラウン橋損失,3)モダリティ内正規化およびモダリティ間正規化のための幾何学的整合損失を設計する。
論文 参考訳（メタデータ） (2023-03-10T14:38:49Z) - Fine-grained Retrieval Prompt Tuning [149.9071858259279]
微粒な検索プロンプトチューニングは, サンプルプロンプトと特徴適応の観点から, きめの細かい検索タスクを実行するために, 凍結した事前学習モデルを操る。
学習可能なパラメータが少ないFRPTは、広く使われている3つの細粒度データセットの最先端性能を実現する。
論文 参考訳（メタデータ） (2022-07-29T04:10:04Z) - Determinantal Point Process Likelihoods for Sequential Recommendation [12.206748373325972]
本稿では,DPP(Determinantal Point Process)の確率に基づく2つの新たな損失関数を提案する。
提案した損失関数を実世界の3つのデータセットで実験した結果、品質と多様性の指標の両方において、最先端のシーケンシャルなレコメンデーション手法よりも顕著な改善が見られた。
論文 参考訳（メタデータ） (2022-04-25T11:20:10Z) - Efficient Neural Network Analysis with Sum-of-Infeasibilities [64.31536828511021]
凸最適化における総和係数法に着想を得て,広範な分岐関数を持つネットワーク上での検証クエリを解析するための新しい手法を提案する。
標準ケース分析に基づく完全探索手順の拡張は、各検索状態で実行される凸手順をDeepSoIに置き換えることによって達成できる。
論文 参考訳（メタデータ） (2022-03-19T15:05:09Z) - Causality-based Counterfactual Explanation for Classification Models [11.108866104714627]
本稿では,プロトタイプに基づく対実的説明フレームワーク(ProCE)を提案する。
ProCEは、カウンターファクトデータの特徴の根底にある因果関係を保存することができる。
さらに,提案手法を応用した多目的遺伝的アルゴリズムを考案した。
論文 参考訳（メタデータ） (2021-05-03T09:25:59Z) - Global Optimization of Objective Functions Represented by ReLU Networks [77.55969359556032]
ニューラルネットワークは複雑で非敵対的な関数を学ぶことができ、安全クリティカルな文脈でそれらの正しい振る舞いを保証することは困難である。
ネットワーク内の障害を見つけるための多くのアプローチ(例えば、敵の例)があるが、これらは障害の欠如を保証できない。
本稿では,最適化プロセスを検証手順に統合し,本手法よりも優れた性能を実現する手法を提案する。
論文 参考訳（メタデータ） (2020-10-07T08:19:48Z) - Adaptive Sampling for Best Policy Identification in Markov Decision
Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。
最先端アルゴリズムの利点を論じ、解説する。
論文 参考訳（メタデータ） (2020-09-28T15:22:24Z) - Extracting Optimal Solution Manifolds using Constrained Neural
Optimization [6.800113407368289]
制約付き最適化解アルゴリズムは点ベース解に制限される。
最適集合を近似として抽出する手法を提案する。
論文 参考訳（メタデータ） (2020-09-13T15:37:44Z)
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。