論文の概要: Enhancing Multi-view Stereo with Contrastive Matching and Weighted Focal
Loss
- arxiv url: http://arxiv.org/abs/2206.10360v1
- Date: Tue, 21 Jun 2022 13:10:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 17:43:15.606617
- Title: Enhancing Multi-view Stereo with Contrastive Matching and Weighted Focal
Loss
- Title(参考訳): コントラストマッチングと重み付き音声損失を用いたマルチビューステレオの強化
- Authors: Yikang Ding, Zhenyang Li, Dihe Huang, Zhiheng Li, Kai Zhang
- Abstract要約: コントラスト学習と特徴マッチングに触発された既存ネットワークの性能向上のための新しい手法を提案する。
提案手法は,ベースラインネットワーク上での最先端性能と大幅な改善を実現する。
- 参考スコア(独自算出の注目度): 10.847120224170698
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning-based multi-view stereo (MVS) methods have made impressive progress
and surpassed traditional methods in recent years. However, their accuracy and
completeness are still struggling. In this paper, we propose a new method to
enhance the performance of existing networks inspired by contrastive learning
and feature matching. First, we propose a Contrast Matching Loss (CML), which
treats the correct matching points in depth-dimension as positive sample and
other points as negative samples, and computes the contrastive loss based on
the similarity of features. We further propose a Weighted Focal Loss (WFL) for
better classification capability, which weakens the contribution of
low-confidence pixels in unimportant areas to the loss according to predicted
confidence. Extensive experiments performed on DTU, Tanks and Temples and
BlendedMVS datasets show our method achieves state-of-the-art performance and
significant improvement over baseline network.
- Abstract(参考訳): 近年,学習型マルチビューステレオ (MVS) 手法が進歩し,従来の手法を上回っている。
しかし、その正確さと完全性はまだ苦戦している。
本稿では,コントラスト学習と特徴マッチングに触発された既存ネットワークの性能向上のための新しい手法を提案する。
まず, 深さ方向の正しい一致点を正のサンプルとして, その他の点を負のサンプルとして扱い, 特徴の類似性に基づいてコントラスト損失を計算するコントラストマッチング損失(cml)を提案する。
さらに,未重要領域における低信頼画素の損失への寄与を予測された信頼度に応じて弱めるために,より優れた分類能力を有する重み付き焦点損失(WFL)を提案する。
DTU, Tanks and Temples および BlendedMVS データセットで行った大規模な実験により,本手法は最先端の性能とベースラインネットワークよりも大幅に向上したことを示す。
関連論文リスト
- Tuned Contrastive Learning [77.67209954169593]
そこで本研究では,TCL(Tuned Contrastive Learning)損失という,新たなコントラスト損失関数を提案する。
TCLはバッチ内の複数の正と負に一般化し、ハードな正とハードな負の勾配応答を調整および改善するためのパラメータを提供する。
我々は、TCLを自己教師付き設定に拡張する方法を示し、それを様々なSOTA自己教師型学習手法と経験的に比較する。
論文 参考訳(メタデータ) (2023-05-18T03:26:37Z) - Contrastive Bayesian Analysis for Deep Metric Learning [30.21464199249958]
特徴的類似性によって条件付けられた画像ラベルの後方確率を特徴付け,モデル化するために,コントラッシブなベイズ解析を開発した。
この対照的なベイズ解析は、深い計量学習のための新しい損失関数をもたらす。
実験結果とアブレーション実験により,提案手法は深層学習の性能を著しく向上させることが示された。
論文 参考訳(メタデータ) (2022-10-10T02:24:21Z) - Siamese Prototypical Contrastive Learning [24.794022951873156]
コントラスト型自己教師学習(Contrastive Self-supervised Learning, CSL)は、大規模データから意味のある視覚的表現を教師なしアプローチで学習する実践的ソリューションである。
本稿では,単純かつ効果的なコントラスト学習フレームワークを導入することで,この問題に対処する。
重要な洞察は、シアメスタイルのメートル法損失を用いて、原型間特徴間の距離を増大させながら、原型内特徴と一致させることである。
論文 参考訳(メタデータ) (2022-08-18T13:25:30Z) - Improving Music Performance Assessment with Contrastive Learning [78.8942067357231]
本研究では,既存のMPAシステムを改善するための潜在的手法として,コントラスト学習について検討する。
畳み込みニューラルネットワークに適用された回帰タスクに適した重み付きコントラスト損失を導入する。
この結果から,MPA回帰タスクにおいて,コントラッシブ・ベースの手法がSoTA性能に適合し,超越できることが示唆された。
論文 参考訳(メタデータ) (2021-08-03T19:24:25Z) - Rethinking Deep Contrastive Learning with Embedding Memory [58.66613563148031]
ペアワイズ損失関数は広く研究され、dml(deep metric learning)のパフォーマンスを継続的に改善することが示されている。
本稿では,様々な対損失関数の重み付け戦略を体系的に研究する新しい手法を提案し,組重み付けを埋め込みメモリで再考する。
論文 参考訳(メタデータ) (2021-03-25T17:39:34Z) - Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。
まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。
第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
論文 参考訳(メタデータ) (2021-01-20T11:48:12Z) - Fed-Focal Loss for imbalanced data classification in Federated Learning [2.2172881631608456]
Federated Learningには、デバイスネットワーク上のモデルのトレーニングをコーディネートする中央サーバがある。
課題の1つは、データセットがクラス不均衡である場合の可変トレーニングパフォーマンスである。
焦点損失の線に沿って、適切に分類された例に割り当てられた損失を下げるように、クロスエントロピー損失を変形させることにより、クラス不均衡に対処することを提案する。
論文 参考訳(メタデータ) (2020-11-12T09:52:14Z) - Cross Learning in Deep Q-Networks [82.20059754270302]
本稿では、値に基づく強化学習手法において、よく知られた過大評価問題を緩和することを目的とした、新しいクロスQ-ラーニングアルゴリズムを提案する。
本アルゴリズムは,並列モデルの集合を維持し,ランダムに選択されたネットワークに基づいてQ値を算出することによって,二重Q-ラーニングに基づいて構築する。
論文 参考訳(メタデータ) (2020-09-29T04:58:17Z) - Learning Stereo Matchability in Disparity Regression Networks [40.08209864470944]
本稿では,画素ワイドマッチング性を考慮したステレオマッチングネットワークを提案する。
提案したDeep stereo Matchability (DSM) フレームワークは、品質を保証しながら、マッチング結果を改善したり、計算を高速化することができる。
論文 参考訳(メタデータ) (2020-08-11T15:55:49Z) - Deep Semantic Matching with Foreground Detection and Cycle-Consistency [103.22976097225457]
深層ネットワークに基づく弱い教師付きセマンティックマッチングに対処する。
本研究では,背景乱れの影響を抑えるために,前景領域を明示的に推定する。
複数の画像にまたがって予測変換を強制し、幾何的に可視かつ一貫したサイクル一貫性の損失を発生させる。
論文 参考訳(メタデータ) (2020-03-31T22:38:09Z)
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。