論文の概要: A Novel Algorithm for Exact Concave Hull Extraction
- arxiv url: http://arxiv.org/abs/2206.11481v1
- Date: Thu, 23 Jun 2022 05:26:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-24 23:25:52.904394
- Title: A Novel Algorithm for Exact Concave Hull Extraction
- Title（参考訳）: 完全凹殻抽出のための新しいアルゴリズム
- Authors: Kevin Christopher VanHorn, Murat Can \c{C}obano\u{g}lu
- Abstract要約: 領域抽出は、自律運転における物体検出から細胞生物学における細胞内形態解析まで、幅広い用途で必要とされる。
2つの主要なアプローチがある: 凸殻抽出(convex hull extract)は、正確で効率的なアルゴリズムが存在し、実世界の形状を捉えるのに優れているが、単一の解を持たない。
本研究では,コンケーブ内包を最大分解能(ピクセル完全)で提供し,速度効率のトレードオフを調整可能な新しいアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Region extraction is necessary in a wide range of applications, from object
detection in autonomous driving to analysis of subcellular morphology in cell
biology. There exist two main approaches: convex hull extraction, for which
exact and efficient algorithms exist and concave hulls, which are better at
capturing real-world shapes but do not have a single solution. Especially in
the context of a uniform grid, concave hull algorithms are largely approximate,
sacrificing region integrity for spatial and temporal efficiency. In this
study, we present a novel algorithm that can provide vertex-minimized concave
hulls with maximal (i.e. pixel-perfect) resolution and is tunable for
speed-efficiency tradeoffs. Our method provides advantages in multiple
downstream applications including data compression, retrieval, visualization,
and analysis. To demonstrate the practical utility of our approach, we focus on
image compression. We demonstrate significant improvements through
context-dependent compression on disparate regions within a single image
(entropy encoding for noisy and predictive encoding for the structured
regions). We show that these improvements range from biomedical images to
natural images. Beyond image compression, our algorithm can be applied more
broadly to aid in a wide range of practical applications for data retrieval,
visualization, and analysis.
- Abstract（参考訳）: 領域抽出は、自律運転における物体検出から細胞生物学における細胞内形態解析まで、幅広い用途で必要とされる。
完全かつ効率的なアルゴリズムが存在する凸包の抽出と、実世界の形状を捉えるのに優れているが単一の解を持たない凸包の2つの方法がある。
特に一様格子の文脈では、凹凸船体アルゴリズムは概ね近似的であり、空間的および時間的効率のために領域の整合性を犠牲にする。
本研究では,頂点最小の凹体を最大分解能(ピクセル完全)で提供し,速度効率のトレードオフを調整可能な新しいアルゴリズムを提案する。
提案手法は,データ圧縮,検索,可視化,解析を含む複数のダウンストリームアプリケーションにおいて利点を提供する。
提案手法の実用性を実証するため,画像圧縮に着目した。
単一画像内の異なる領域における文脈依存圧縮(ノイズのエントロピーエンコーディングと構造化領域の予測エンコーディング)による顕著な改善を示す。
これらの改良は生物医学的画像から自然画像まで多岐にわたる。
画像圧縮以外にも、我々のアルゴリズムはより広範囲に応用でき、データ検索、可視化、分析のための幅広い実用的な応用に役立つ。
関連論文リスト
- Deep Convolutional Neural Networks Meet Variational Shape Compactness Priors for Image Segmentation [7.314877483509877]
形状コンパクト性は、多くの画像分割タスクにおいて興味深い領域を記述するための重要な幾何学的性質である。
そこで本稿では,従来の形状特徴を取り入れた画像分割問題を解くために,新しい2つのアルゴリズムを提案する。
提案アルゴリズムは、ノイズの多い画像データセット上で20%のトレーニングをすることで、IoUを大幅に改善する。
論文 参考訳（メタデータ） (2024-05-23T11:05:35Z) - Advancements in Feature Extraction Recognition of Medical Imaging Systems Through Deep Learning Technique [0.36651088217486427]
高速な画像認識を実現するために,重みに基づく目的関数を提案する。
単純なアルゴリズムを用いたしきい値最適化手法を提案する。
異なる種類のオブジェクトは互いに独立しており、画像処理においてコンパクトであることがわかった。
論文 参考訳（メタデータ） (2024-05-23T04:46:51Z) - Real-Time Image Segmentation via Hybrid Convolutional-Transformer Architecture Search [49.81353382211113]
マルチヘッド自己認識を高分解能表現CNNに効率的に組み込むという課題に対処する。
本稿では,高解像度機能の利点をフル活用したマルチターゲットマルチブランチ・スーパーネット手法を提案する。
本稿では,Hybrid Convolutional-Transformer Architecture Search (HyCTAS)法を用いて,軽量畳み込み層とメモリ効率のよい自己保持層を最適に組み合わせたモデルを提案する。
論文 参考訳（メタデータ） (2024-03-15T15:47:54Z) - A skeletonization algorithm for gradient-based optimization [13.2737105544687]
デジタル画像の骨格は、そのトポロジー、幾何学、スケールのコンパクトな表現である。
ほとんどの既存のスケルトン化アルゴリズムは微分不可能であり、勾配に基づく最適化と統合することは不可能である。
この研究は、勾配に基づく最適化と互換性があり、物体の位相を保存する最初の3次元スケルトン化アルゴリズムを導入する。
論文 参考訳（メタデータ） (2023-09-05T18:40:14Z) - Neural Space-filling Curves [47.852964985588486]
画像の集合に対して文脈に基づくスキャン順序を推定するためのデータ駆動型手法を提案する。
本研究は,グラフベースニューラルネットワークを用いて,画像のデータセットから画像の空間的コヒーレントな線形順序付けを学習する。
画像圧縮などの下流アプリケーションでNeural SFCを使うことの利点を示す。
論文 参考訳（メタデータ） (2022-04-18T17:59:01Z) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳（メタデータ） (2021-08-19T11:02:25Z) - OSLO: On-the-Sphere Learning for Omnidirectional images and its
application to 360-degree image compression [59.58879331876508]
全方向画像の表現モデルの学習について検討し、全方向画像の深層学習モデルで使用される数学的ツールを再定義するために、HEALPixの球面一様サンプリングの特性を利用することを提案する。
提案したオン・ザ・スフィア・ソリューションは、等方形画像に適用された類似の学習モデルと比較して、13.7%のビットレートを節約できる圧縮ゲインを向上させる。
論文 参考訳（メタデータ） (2021-07-19T22:14:30Z) - A Novel Upsampling and Context Convolution for Image Semantic
Segmentation [0.966840768820136]
最近のセマンティックセグメンテーションの方法は、しばしば深い畳み込みニューラルネットワークを用いたエンコーダデコーダ構造を採用している。
ネットワーク内の画像の空間情報を効率的に保存するために,ガイドフィルタに基づく高密度アップサンプリング畳み込み法を提案する。
ADE20KとPascal-Contextのベンチマークデータセットでは,それぞれ82.86%,81.62%の画素精度を記録した。
論文 参考訳（メタデータ） (2021-03-20T06:16:42Z) - A Flexible Framework for Designing Trainable Priors with Adaptive
Smoothing and Game Encoding [57.1077544780653]
我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。
グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。
このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
論文 参考訳（メタデータ） (2020-06-26T08:34:54Z) - The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。
次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。
そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-05-16T08:17:44Z) - The Semantic Mutex Watershed for Efficient Bottom-Up Semantic Instance
Segmentation [15.768804877756384]
本稿では,共同グラフ分割とラベリングのためのグリーディアルゴリズムを提案する。
アルゴリズムの効率のため、イメージをスーパーピクセルにオーバーセグメンテーションすることなく、直接ピクセル上で操作することができる。
論文 参考訳（メタデータ） (2019-12-29T19:48:39Z)
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。