論文の概要: Deep Geometric Moment

• arxiv url: http://arxiv.org/abs/2205.11722v1
• Date: Tue, 24 May 2022 02:08:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-26 10:12:32.347962
• Title: Deep Geometric Moment
• Title（参考訳）: 深い幾何学的瞬間
• Authors: Rajhans Singh (1), Ankita Shukla (1), Pavan Turaga (1) ((1) Arizona State University)
• Abstract要約: 画像分類のためのディープネットワークは、しばしばオブジェクトの形状よりもテクスチャ情報に依存している。 本稿では,幾何学的モーメントにインスパイアされたディープラーニングモデルを提案する。 提案モデルでは,ベースラインモデルや標準ResNetモデルと比較して高い分類性能を実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep networks for image classification often rely more on texture information than object shape. While efforts have been made to make deep-models shape-aware, it is often difficult to make such models simple, interpretable, or rooted in known mathematical definitions of shape. This paper presents a deep-learning model inspired by geometric moments, a classically well understood approach to measure shape-related properties. The proposed method consists of a trainable network for generating coordinate bases and affine parameters for making the features geometrically invariant, yet in a task-specific manner. The proposed model improves the final feature's interpretation. We demonstrate the effectiveness of our method on standard image classification datasets. The proposed model achieves higher classification performance as compared to the baseline and standard ResNet models while substantially improving interpretability.
• Abstract（参考訳）: 画像分類のためのディープネットワークは、しばしばオブジェクト形状よりもテクスチャ情報に依存する。 深層モデルを作る努力は行われているが、そのようなモデルを単純な、解釈可能な、あるいは既知の形状の定義に根ざすことはしばしば困難である。 本稿では,幾何学的モーメントにインスパイアされた深層学習モデルを提案する。 提案手法は,座標ベースを生成するためのトレーニング可能なネットワークと,特徴量を幾何学的に不変にするためのアフィンパラメータから構成される。 提案したモデルは最終特徴の解釈を改善する。 標準画像分類データセットにおける本手法の有効性を示す。 提案モデルは,ベースラインモデルや標準resnetモデルと比較して分類性能が向上し,解釈性が大幅に向上した。

関連論文リスト

• Geometry Distributions [51.4061133324376]
  本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。 提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。 本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-25T04:06:48Z)
• Segmenting objects with Bayesian fusion of active contour models and convnet priors [0.729597981661727]
  本稿では,自然資源モニタリング(NRM)画像を対象とした新しい事例分割手法を提案する。 我々は、個々の物体の輪郭を学習する際に、形状、位置、位置の先行を組み込むベイズ最大値後部推論として問題を定式化する。 実験では、個々の枯木樹冠と正確な輪郭を分割する、挑戦的で現実的な問題に取り組む。
  論文  参考訳（メタデータ） (2024-10-09T20:36:43Z)
• Geo-SIC: Learning Deformable Geometric Shapes in Deep Image Classifiers [8.781861951759948]
  本稿では,画像分類の性能向上のために,変形空間における変形可能な形状を学習する最初のディープラーニングモデルGeo-SICを提案する。 画像空間と潜時形状空間の両方から特徴を同時に導出する,クラス内変動の大きい新設計のフレームワークを提案する。 幾何学的形状表現の教師なし学習を取り入れた強化型分類網を開発した。
  論文  参考訳（メタデータ） (2022-10-25T01:55:17Z)
• Anisotropic Multi-Scale Graph Convolutional Network for Dense Shape Correspondence [3.45989531033125]
  本稿では,コンピュータビジョンとグラフィックスにおけるキー形状解析の応用である3次元高密度形状対応について検討する。 本稿では,幾何学的に有意かつ離散化に依存しない特徴を学習するハイブリッドな幾何学的深層学習モデルを提案する。 得られた対応マップは、ベンチマークデータセット上で最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2022-10-17T22:40:50Z)
• Adaptive Convolutional Dictionary Network for CT Metal Artifact Reduction [62.691996239590125]
  本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。 我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。 本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
  論文  参考訳（メタデータ） (2022-05-16T06:49:36Z)
• SurFit: Learning to Fit Surfaces Improves Few Shot Learning on Point Clouds [48.61222927399794]
  SurFitは3次元形状分割ネットワークのラベルを効率的に学習するための単純な手法である。 3次元形状の表面を幾何学的プリミティブに分解する自己指導型タスクに基づいている。
  論文  参考訳（メタデータ） (2021-12-27T23:55:36Z)
• Representing Shape Collections with Alignment-Aware Linear Models [17.635846912560627]
  3次元点雲の古典的表現を線形形状モデルとして再考する。 私たちの重要な洞察は、ディープラーニングを活用して、アフィン変換として形状の集合を表現することです。
  論文  参考訳（メタデータ） (2021-09-03T16:28:34Z)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)
• Shape Prior Deformation for Categorical 6D Object Pose and Size Estimation [62.618227434286]
  RGB-D画像から見えないオブジェクトの6Dポーズとサイズを復元する新しい学習手法を提案する。 本研究では,事前学習したカテゴリ形状からの変形を明示的にモデル化することにより,3次元オブジェクトモデルを再構築するディープネットワークを提案する。
  論文  参考訳（メタデータ） (2020-07-16T16:45:05Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)

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。