論文の概要: ShoeRinsics: Shoeprint Prediction for Forensics with Intrinsic Decomposition

• arxiv url: http://arxiv.org/abs/2205.02361v1
• Date: Wed, 4 May 2022 23:42:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-06 14:58:32.003394
• Title: ShoeRinsics: Shoeprint Prediction for Forensics with Intrinsic Decomposition
• Title（参考訳）: shoerinsics: 内因的分解を伴う鑑識の靴プリント予測
• Authors: Samia Shafique, Bailey Kong, Shu Kong, Charless C. Fowlkes
• Abstract要約: オンライン小売業者が収集した靴のトレッド写真を活用することを提案する。 我々は,1枚のトレッド写真から本質的な画像分解を行うモデルを開発した。 ShoeRinsicsと呼ばれる我々のアプローチは、完全に教師付き合成データと教師なしの小売画像データの組み合わせを活用するために、ドメイン適応と再レンダリング損失を組み合わせたものです。
• 参考スコア（独自算出の注目度）: 29.408442567550004
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shoe tread impressions are one of the most common types of evidence left at crime scenes. However, the utility of such evidence is limited by the lack of databases of footwear impression patterns that cover the huge and growing number of distinct shoe models. We propose to address this gap by leveraging shoe tread photographs collected by online retailers. The core challenge is to predict the impression pattern from the shoe photograph since ground-truth impressions or 3D shapes of tread patterns are not available. We develop a model that performs intrinsic image decomposition (predicting depth, normal, albedo, and lighting) from a single tread photo. Our approach, which we term ShoeRinsics, combines domain adaptation and re-rendering losses in order to leverage a mix of fully supervised synthetic data and unsupervised retail image data. To validate model performance, we also collected a set of paired shoe-sole images and corresponding prints, and define a benchmarking protocol to quantify the accuracy of predicted impressions. On this benchmark, ShoeRinsics outperforms existing methods for depth prediction and synthetic-to-real domain adaptation.
• Abstract（参考訳）: シュートレッドの印象は、犯罪現場に残る最も一般的な証拠の1つである。 しかし、このような証拠の有効性は、靴の膨大な数の異なる靴モデルをカバーする履物印象パターンのデータベースの欠如によって制限されている。 我々は,オンライン小売業者が収集した靴ひも写真を利用して,このギャップに対処することを提案する。 底面印象やトレッドパターンの3d形状がないため,靴の写真から印象パターンを予測することが重要な課題である。 本研究では,1枚のトレッド写真から固有画像分解(深度,正規度,アルベド,照明)を行うモデルを構築した。 ShoeRinsicsと呼ばれる我々のアプローチは、完全に教師付き合成データと教師なしの小売画像データの組み合わせを活用するために、ドメイン適応と再レンダリング損失を組み合わせたものです。 モデル性能を検証するために,靴底画像と対応する印刷物の組み合わせを収集し,予測した印象の精度を定量化するためのベンチマークプロトコルを定義する。 このベンチマークでは、ShoeRinsicsは深度予測と合成-実領域適応の既存の手法よりも優れている。

関連論文リスト

• Data Augmentation via Latent Diffusion for Saliency Prediction [67.88936624546076]
  残差予測モデルはラベル付きデータの限られた多様性と量によって制約される。 本研究では,実世界のシーンの複雑さと変動性を保ちながら,自然画像の編集を行うディープ・サリエンシ・予測のための新しいデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2024-09-11T14:36:24Z)
• Adversarial Robustification via Text-to-Image Diffusion Models [56.37291240867549]
  アドリラルロバスト性は、ニューラルネットワークをエンコードする難しい性質として伝統的に信じられてきた。 データを使わずに敵の堅牢性を実現するために,スケーラブルでモデルに依存しないソリューションを開発した。
  論文  参考訳（メタデータ） (2024-07-26T10:49:14Z)
• CriSp: Leveraging Tread Depth Maps for Enhanced Crime-Scene Shoeprint Matching [8.153893958726117]
  ショットプリントは、犯罪現場で見られる一般的なタイプの証拠であり、法医学的な調査で定期的に使用される。 既存の手法では、靴データベースにノイズや隠蔽された犯罪現場の靴紋をマッチングするために、ディープラーニングを効果的に活用することはできない。 このデータに基づいて,犯罪現場の靴のプリントと深度マップのトレッドマッチングを行うCriSpを提案する。 CriSpは、このタスクに適した自動靴形マッチングと画像検索の両方において、最先端の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2024-04-25T18:50:26Z)
• ShoeModel: Learning to Wear on the User-specified Shoes via Diffusion Model [60.60623356092564]
  そこで本研究では,靴に作用するヒトの足の可塑性画像を生成するための靴装用システムShoe-Modelを提案する。 ベースラインと比較して、私たちのShoeModelは、異なるタイプの靴よりも一般化され、与えられた靴のID一貫性を維持することができる。
  論文  参考訳（メタデータ） (2024-04-07T06:56:51Z)
• Improving and Evaluating Machine Learning Methods for Forensic Shoeprint Matching [0.2509487459755192]
  法医学的な靴紋パターンマッチングのための機械学習パイプラインを提案する。 エッジ検出による2次元画像から2次元座標を抽出し, 反復的最近点(ICP)と整列する。 次に、類似度指標を抽出し、2つの印刷物がどれだけうまく一致しているかを定量化し、これらの指標を用いてランダムな森林を訓練する。
  論文  参考訳（メタデータ） (2024-04-02T15:24:25Z)
• StableVITON: Learning Semantic Correspondence with Latent Diffusion Model for Virtual Try-On [35.227896906556026]
  衣服画像と人物画像が与えられた場合、画像ベースの仮想試行は、衣服画像の特徴を自然に正確に反映した、カスタマイズされた画像を生成することを目的としている。 本研究では,事前学習した拡散モデルの適用性を拡張し,仮想試行作業に独立して利用できるようにすることを目的とする。 提案するゼロ・クロスアテンションブロックは, 意味的対応を学習することで衣服の細部を保存できるだけでなく, ワープ過程における事前学習モデル固有の知識を利用して高忠実度画像を生成する。
  論文  参考訳（メタデータ） (2023-12-04T08:27:59Z)
• How Will It Drape Like? Capturing Fabric Mechanics from Depth Images [7.859729554664895]
  深度カメラを用いたカジュアルキャプチャー装置を用いて織物の機械的パラメータを推定する手法を提案する。 本手法により,現実世界の繊維材料を機械的に正確に表現できる。
  論文  参考訳（メタデータ） (2023-04-13T17:54:08Z)
• Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
  微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。 そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
  論文  参考訳（メタデータ） (2023-03-06T11:51:28Z)
• Person Image Synthesis via Denoising Diffusion Model [116.34633988927429]
  本研究では,高忠実度人物画像合成に拡散モデルをいかに応用できるかを示す。 2つの大規模ベンチマークとユーザスタディの結果は、挑戦的なシナリオ下で提案したアプローチのフォトリアリズムを実証している。
  論文  参考訳（メタデータ） (2022-11-22T18:59:50Z)
• Learning Intrinsic Images for Clothing [10.21096394185778]
  本稿では,衣料品画像の内在的画像分解に着目した。 より解釈可能なエッジ対応メトリックとアノテーションスキームは、テストセット用に設計されている。 提案モデルでは, 驚くほど細かな細部を保ちながら, テクスチャコピーのアーティファクトを著しく低減することを示した。
  論文  参考訳（メタデータ） (2021-11-16T14:43:12Z)
• Scene Uncertainty and the Wellington Posterior of Deterministic Image Classifiers [68.9065881270224]
  Wellington Posteriorは、同じシーンで生成された可能性のあるデータに応答して得られるであろう結果の分布である。 We we explore the use of data augmentation, dropout, ensembling, single-view reconstruction and model linearization to compute a Wellington Posterior。 他にも、生成逆数ネットワーク、ニューラルレイディアンスフィールド、条件付き事前ネットワークなどの条件付き生成モデルの使用がある。
  論文  参考訳（メタデータ） (2021-06-25T20:10:00Z)

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。