論文の概要: From Keypoints to Object Landmarks via Self-Training Correspondence: A novel approach to Unsupervised Landmark Discovery

• arxiv url: http://arxiv.org/abs/2205.15895v1
• Date: Tue, 31 May 2022 15:44:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-01 14:14:50.695053
• Title: From Keypoints to Object Landmarks via Self-Training Correspondence: A novel approach to Unsupervised Landmark Discovery
• Title（参考訳）: 自己学習対応によるキーポイントからオブジェクトランドマークへ:教師なしランドマーク発見への新しいアプローチ
• Authors: Dimitrios Mallis, Enrique Sanchez, Matt Bell and Georgios Tzimiropoulos
• Abstract要約: 本稿ではオブジェクトランドマーク検出器の教師なし学習のための新しいパラダイムを提案する。 我々はLS3D、BBCPose、Human3.6M、PennActionなどの難解なデータセットに対して本手法の有効性を検証した。
• 参考スコア（独自算出の注目度）: 37.78933209094847
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a novel paradigm for the unsupervised learning of object landmark detectors. Contrary to existing methods that build on auxiliary tasks such as image generation or equivariance, we propose a self-training approach where, departing from generic keypoints, a landmark detector and descriptor is trained to improve itself, tuning the keypoints into distinctive landmarks. To this end, we propose an iterative algorithm that alternates between producing new pseudo-labels through feature clustering and learning distinctive features for each pseudo-class through contrastive learning. With a shared backbone for the landmark detector and descriptor, the keypoint locations progressively converge to stable landmarks, filtering those less stable. Compared to previous works, our approach can learn points that are more flexible in terms of capturing large viewpoint changes. We validate our method on a variety of difficult datasets, including LS3D, BBCPose, Human3.6M and PennAction, achieving new state of the art results.
• Abstract（参考訳）: 本稿ではオブジェクトランドマーク検出器の教師なし学習のための新しいパラダイムを提案する。 画像生成や等価性などの補助的タスクに基づく既存の手法とは対照的に,汎用的なキーポイントから離れて,ランドマーク検出器とディスクリプタをトレーニングして,キーポイントを目立ったランドマークに調整する自己学習手法を提案する。 そこで本稿では,特徴クラスタリングによる新しい擬似ラベルの生成と,対比学習による各擬似クラス固有の特徴の学習を交互に行う反復アルゴリズムを提案する。 ランドマーク検出器とディスクリプタの共有バックボーンにより、キーポイントの位置は徐々に安定なランドマークに収束し、安定でないものをフィルタリングする。 従来の研究と比較すると,大きな視点の変化を捉えることで,よりフレキシブルな点を学習することができる。 我々は,LS3D,BBCPose,Human3.6M,PennActionなど,さまざまな難易度データセットを用いて手法を検証する。

関連論文リスト

• Unified Keypoint-based Action Recognition Framework via Structured Keypoint Pooling [3.255030588361124]
  本稿では,従来の骨格に基づく行動認識に関する3つの制限を同時に解決する。 アクション認識には、ポイントクラウドのディープラーニングパラダイムが導入される。 構造化キーポイントプールと呼ばれる新しいディープニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-03-27T14:59:08Z)
• Point-Teaching: Weakly Semi-Supervised Object Detection with Point Annotations [81.02347863372364]
  本稿では,弱い半教師付きオブジェクト検出フレームワークであるPoint-Teachingを提案する。 具体的には,ポイントアノテート画像の擬似ラベルを生成するためのハンガリーの点マッチング手法を提案する。 そこで本研究では,不整合点の影響を低減するため,単純なyet- effective data augmentation(ポイント誘導コピーペースト)を提案する。
  論文  参考訳（メタデータ） (2022-06-01T07:04:38Z)
• Unsupervised Learning of 3D Semantic Keypoints with Mutual Reconstruction [11.164069907549756]
  3Dセマンティックキーポイントは、3Dオブジェクト上のカテゴリレベルのセマンティック一貫性ポイントである。 点群から一貫した意味的キーポイントを明示的に生成するための教師なし手法を提案する。 我々の知る限り,提案手法は相互再構成の観点から初めて3次元意味的一貫したキーポイントを抽出するものである。
  論文  参考訳（メタデータ） (2022-03-19T01:49:21Z)
• SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object Detection [78.90102636266276]
  SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。 そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。 実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
  論文  参考訳（メタデータ） (2022-01-06T08:54:47Z)
• Pretrained equivariant features improve unsupervised landmark discovery [69.02115180674885]
  我々は、この課題を克服する2段階の教師なしアプローチを、強力なピクセルベースの特徴を初めて学習することによって定式化する。 本手法は,いくつかの難解なランドマーク検出データセットにおいて最先端の結果を生成する。
  論文  参考訳（メタデータ） (2021-04-07T05:42:11Z)
• Keypoint Autoencoders: Learning Interest Points of Semantics [4.551313396927381]
  キーポイント検出のための教師なし学習手法であるキーポイントオートエンコーダを提案する。 キーポイントから元のポイントクラウドへの再構成を強制することで、疎いセマンティックキーポイントの選択を奨励する。 選択したキーポイントの特異性を示すために、スパースキーポイントで形状を分類する下流タスクを行う。
  論文  参考訳（メタデータ） (2020-08-11T03:43:18Z)
• A Self-Training Approach for Point-Supervised Object Detection and Counting in Crowds [54.73161039445703]
  本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。 トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。 実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-07-25T02:14:42Z)
• Point-Set Anchors for Object Detection, Instance Segmentation and Pose Estimation [85.96410825961966]
  中心点から抽出された画像の特徴は、離れたキーポイントや境界ボックスの境界を予測するための限られた情報を含んでいると論じる。 推論を容易にするために,より有利な位置に配置された点集合からの回帰を行うことを提案する。 我々は、オブジェクト検出、インスタンス分割、人間のポーズ推定にPoint-Set Anchorsと呼ばれるこのフレームワークを適用した。
  論文  参考訳（メタデータ） (2020-07-06T15:59:56Z)

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。