論文の概要: GridShift: A Faster Mode-seeking Algorithm for Image Segmentation and
Object Tracking
- arxiv url: http://arxiv.org/abs/2206.02200v1
- Date: Sun, 5 Jun 2022 15:08:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-08 11:08:29.970171
- Title: GridShift: A Faster Mode-seeking Algorithm for Image Segmentation and
Object Tracking
- Title（参考訳）: GridShift:イメージセグメンテーションとオブジェクト追跡のための高速モード探索アルゴリズム
- Authors: Abhishek Kumar, Oladayo S. Ajani, Swagatam Das, and Rammohan
Mallipeddi
- Abstract要約: 平均シフト(MS)はクラスタリングとイメージセグメンテーションのための一般的なモード探索アルゴリズムである。
GridShiftは、データポイント数に線形である隣の検索に対して、グリッドベースのアプローチを採用している。
GridShiftのランタイムはアクティブなグリッドセルの数で線形であり、機能の数で指数関数的である。
- 参考スコア（独自算出の注目度）: 22.899276998185716
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In machine learning and computer vision, mean shift (MS) qualifies as one of
the most popular mode-seeking algorithms used for clustering and image
segmentation. It iteratively moves each data point to the weighted mean of its
neighborhood data points. The computational cost required to find the neighbors
of each data point is quadratic to the number of data points. Consequently, the
vanilla MS appears to be very slow for large-scale datasets. To address this
issue, we propose a mode-seeking algorithm called GridShift, with significant
speedup and principally based on MS. To accelerate, GridShift employs a
grid-based approach for neighbor search, which is linear in the number of data
points. In addition, GridShift moves the active grid cells (grid cells
associated with at least one data point) in place of data points towards the
higher density, a step that provides more speedup. The runtime of GridShift is
linear in the number of active grid cells and exponential in the number of
features. Therefore, it is ideal for large-scale low-dimensional applications
such as object tracking and image segmentation. Through extensive experiments,
we showcase the superior performance of GridShift compared to other MS-based as
well as state-of-the-art algorithms in terms of accuracy and runtime on
benchmark datasets for image segmentation. Finally, we provide a new
object-tracking algorithm based on GridShift and show promising results for
object tracking compared to CamShift and meanshift++.
- Abstract（参考訳）: 機械学習とコンピュータビジョンでは、平均シフト(MS)はクラスタリングとイメージセグメンテーションに使用される最も一般的なモード探索アルゴリズムの1つである。
各データポイントを近隣データポイントの重み付け平均に反復的に移動させる。
各データポイントの近傍を見つけるのに必要な計算コストは、データポイントの数に2倍である。
その結果、バニラmsは大規模なデータセットでは極めて遅いように見える。
この問題に対処するため,GridShift というモード探索アルゴリズムを提案し,MS を主目的とした高速化を実現した。
さらに、GridShiftは、データポイントの代わりにアクティブグリッドセル(少なくとも1つのデータポイントに関連付けられたグリッドセル)をより高い密度に移動させる。
GridShiftのランタイムはアクティブなグリッドセルの数で線形であり、機能の数で指数関数的である。
したがって、オブジェクト追跡や画像分割といった大規模低次元アプリケーションには理想的である。
広範にわたる実験により,画像セグメンテーションのためのベンチマークデータセット上で,他のMSベースや最先端アルゴリズムと比較して,GridShiftの優れた性能を示す。
最後に、GridShiftに基づく新しいオブジェクト追跡アルゴリズムを提供し、CamShiftや meanshift++と比較して、オブジェクト追跡に有望な結果を示す。
関連論文リスト
- GridPull: Towards Scalability in Learning Implicit Representations from
3D Point Clouds [60.27217859189727]
大規模クラウドから暗黙の表現を学習する効率を改善するため,GridPullを提案する。
我々の斬新さは、ニューラルネットワークを使わずにグリッド上に定義された離散距離場の高速な推論にある。
我々は、一様格子を用いて高速グリッド探索を行い、サンプルクエリをローカライズし、木構造内の表面点を整理し、表面への距離の計算を高速化する。
論文 参考訳（メタデータ） (2023-08-25T04:52:52Z) - Large-Scale Multi-Hypotheses Cell Tracking Using Ultrametric Contours Maps [1.015920567871904]
本稿では,分割選択手法による大規模3次元細胞追跡手法について述べる。
本手法は,細胞追跡課題から得られた3次元画像の最先端化を実現する。
われわれのフレームワークは柔軟で、市販のセルセグメンテーションモデルからのセグメンテーションをサポートしている。
論文 参考訳（メタデータ） (2023-08-08T18:41:38Z) - HPointLoc: Point-based Indoor Place Recognition using Synthetic RGB-D
Images [58.720142291102135]
本稿では,屋内環境における視覚的位置認識能力の探索を目的とした,HPointLocという新しいデータセットを提案する。
データセットは人気のあるHabitatシミュレータに基づいており、独自のセンサーデータとオープンデータセットの両方を使用して屋内シーンを生成することができる。
論文 参考訳（メタデータ） (2022-12-30T12:20:56Z) - CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point
Cloud Learning [81.85951026033787]
この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。
また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。
提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
論文 参考訳（メタデータ） (2022-07-31T21:39:15Z) - GPU-accelerated Faster Mean Shift with euclidean distance metrics [1.3507758562554621]
平均シフトアルゴリズムはクラスタリング問題の解法として広く用いられている。
従来の研究では,GPUを高速化する高速平均シフトアルゴリズムが提案されている。
本研究では,ユークリッド距離測定値を扱うために,従来のアルゴリズムを拡張し改良する。
論文 参考訳（メタデータ） (2021-12-27T20:18:24Z) - MeanShift++: Extremely Fast Mode-Seeking With Applications to
Segmentation and Object Tracking [40.662116703422846]
MeanShiftは、機械学習の幅広いアプリケーションで使用される一般的なモード探索クラスタリングアルゴリズムです。
平均シフトステップを高速化するためにグリッドベースのアプローチを用いたMeanShift++を提案する。
ランタイムは点数で線形であり、次元で指数的であるため、MeanShift++は低次元アプリケーションに理想的です。
論文 参考訳（メタデータ） (2021-04-01T07:14:11Z) - SALA: Soft Assignment Local Aggregation for Parameter Efficient 3D
Semantic Segmentation [65.96170587706148]
3dポイントクラウドセマンティクスセグメンテーションのためのパラメータ効率の良いネットワークを生成するポイントローカルアグリゲーション関数の設計に着目する。
グリッド型アグリゲーション関数における学習可能な隣り合わせソフトアロケーションの利用について検討する。
論文 参考訳（メタデータ） (2020-12-29T20:16:37Z) - Faster Mean-shift: GPU-accelerated clustering for cosine embedding-based
cell segmentation and tracking [12.60841328582138]
本稿では,埋め込み型セルセグメンテーションとトラッキングの計算ボトルネックに対処する,高速平均シフトアルゴリズムを提案する。
提案したFaster Mean-shiftアルゴリズムは、最先端の埋め込みベースのセルインスタンスのセグメンテーションとトラッキングアルゴリズムと比較して7～10倍の高速化を実現した。
我々の高速平均シフトアルゴリズムは、メモリ消費を最適化した他のGPUベンチマークと比較して計算速度も高い。
論文 参考訳（メタデータ） (2020-07-28T14:52:51Z) - Exploiting Multi-Layer Grid Maps for Surround-View Semantic Segmentation
of Sparse LiDAR Data [2.6876976011647145]
本稿では,LDARのみのセマンティックセグメンテーションの課題にアプローチするために,レーザレンジ測定をトップビューグリッドマップ表現に変換することを検討する。
我々はグリッドマップフレームワークを利用して関連情報を抽出し,多層グリッドマップを用いてそれらを表現している。
単層および多層アプローチを比較し、多層グリッドマップ入力の利点を実証する。
論文 参考訳（メタデータ） (2020-05-13T23:50:34Z) - Real-Time High-Performance Semantic Image Segmentation of Urban Street
Scenes [98.65457534223539]
都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。
提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
論文 参考訳（メタデータ） (2020-03-11T08:45:53Z)
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。