論文の概要: Clustered Saliency Prediction
- arxiv url: http://arxiv.org/abs/2207.02205v2
- Date: Fri, 3 Nov 2023 17:22:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-06 18:43:54.908207
- Title: Clustered Saliency Prediction
- Title(参考訳): クラスター化塩分予測
- Authors: Rezvan Sherkati, James J. Clark
- Abstract要約: 本稿では,画像のサリエンス予測のための新しい手法であるClustered Saliency Predictionを提案する。
本手法は,個人的特徴と既知のサリエンシマップに基づいて,被験者をクラスタに分割する。
本稿では,クラスタ化サリエンシ予測手法が,汎用サリエンシ予測モデルより優れていることを示す。
- 参考スコア(独自算出の注目度): 7.587433494017506
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We present a new method for image salience prediction, Clustered Saliency
Prediction. This method divides subjects into clusters based on their personal
features and their known saliency maps, and generates an image salience model
conditioned on the cluster label. We test our approach on a public dataset of
personalized saliency maps and cluster the subjects using selected importance
weights for personal feature factors. We propose the Multi-Domain Saliency
Translation model which uses image stimuli and universal saliency maps to
predict saliency maps for each cluster. For obtaining universal saliency maps,
we applied various state-of-the-art methods, DeepGaze IIE, ML-Net and SalGAN,
and compared their effectiveness in our system. We show that our Clustered
Saliency Prediction technique outperforms the universal saliency prediction
models. Also, we demonstrate the effectiveness of our clustering method by
comparing the results of Clustered Saliency Prediction using clusters obtained
by our algorithm with some baseline methods. Finally, we propose an approach to
assign new people to their most appropriate cluster and prove its usefulness in
the experiments.
- Abstract(参考訳): 本稿では,画像のサリエンス予測のための新しい手法であるClustered Saliency Predictionを提案する。
本手法は,個人的特徴と既知のサリエンシマップに基づいて,被験者をクラスタに分割し,クラスタラベルに条件付き画像サリエンスモデルを生成する。
本研究では,個人的特徴因子の選択重みを用いた個人別サプライエンシマップの公開データセットを用いて,被験者をクラスタリングする手法を提案する。
本稿では,画像刺激とユニバーサル・サリエンシマップを用いて,クラスタごとのサリエンシマップを予測するマルチドメイン・サリエンシ変換モデルを提案する。
ユニバーサル・サリエンシ・マップを得るために,DeepGaze IIE,ML-Net,SalGANといった最先端の手法を適用し,その有効性を比較した。
本稿では,クラスタ化サリエンシ予測手法が汎用サリエンシ予測モデルより優れていることを示す。
また,本アルゴリズムで得られたクラスタを用いて,クラスタ化塩分予測の結果をベースライン法と比較することにより,クラスタリング手法の有効性を実証する。
最後に,新しい人を最も適切なクラスタに配置し,実験でその有用性を証明する手法を提案する。
関連論文リスト
- A Bayesian Approach to Clustering via the Proper Bayesian Bootstrap: the Bayesian Bagged Clustering (BBC) algorithm [0.0]
本稿では,クラスタリング分野における教師なし手法の新たなアプローチを提案する。
ベイジアンブートストラップを用いた既存文献モデルを改良し,ロバスト性や解釈性の観点から結果を改善する手法が提案されている。
論文 参考訳(メタデータ) (2024-09-13T16:14:54Z) - Local Clustering for Lung Cancer Image Classification via Sparse Solution Technique [1.07793546088014]
重み付きグラフの頂点としてのイメージと,グラフのエッジとしてのイメージの対の類似性について検討する。
私たちのアプローチは、他の最先端のアプローチと比較して、はるかに効率的で、好ましくないか、等しく効果的です。
論文 参考訳(メタデータ) (2024-07-11T18:18:32Z) - Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。
提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。
フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
論文 参考訳(メタデータ) (2023-08-13T18:12:28Z) - Distributed Solution of the Inverse Rig Problem in Blendshape Facial
Animation [0.0]
リグのインバージョンは、アバターの現実的で魅力的なパフォーマンスを可能にするため、顔アニメーションの中心である。
より高速なソリューションへのアプローチとして、顔の空間的性質を活用するクラスタリングがある。
本稿では、重なり合うコンポーネントのより確実な推定を得るために、クラスタ結合を伴ってさらに一歩進める。
論文 参考訳(メタデータ) (2023-03-11T10:34:07Z) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳(メタデータ) (2022-11-03T08:18:27Z) - Improving Image Clustering through Sample Ranking and Its Application to
remote--sensing images [14.531733039462058]
本稿では,現在クラスタに属するクラスタの信頼性に基づいて,各クラスタ内のサンプルをランク付けする新しい手法を提案する。
そこで,本研究では,人口密度の密集した地域にあるか否かに基づいて,現在のクラスタに属するサンプルの確率を計算する手法を開発した。
本手法はリモートセンシング画像に効果的に適用可能であることを示す。
論文 参考訳(メタデータ) (2022-09-26T12:10:02Z) - Learn to Cluster Faces via Pairwise Classification [8.42777116250725]
顔クラスタリングは、巨大なラベルのない顔データを活用する上で重要な役割を果たす。
顔クラスタリングタスクをペア関係分類タスクとして定式化し、大規模グラフ上でのメモリ消費学習を回避する。
提案手法は,複数の公開クラスタリングベンチマークの最先端性能を高速に達成する。
論文 参考訳(メタデータ) (2022-05-26T02:50:32Z) - Graph Contrastive Clustering [131.67881457114316]
本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。
特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。
一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
論文 参考訳(メタデータ) (2021-04-03T15:32:49Z) - Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。
我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
論文 参考訳(メタデータ) (2020-10-22T15:58:35Z) - Structured Graph Learning for Clustering and Semi-supervised
Classification [74.35376212789132]
データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。
本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。
我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
論文 参考訳(メタデータ) (2020-08-31T08:41:20Z) - LSD-C: Linearly Separable Deep Clusters [145.89790963544314]
ラベルなしデータセットのクラスタを識別する新しい手法であるLSD-Cを提案する。
本手法は,最近の半教師付き学習の実践からインスピレーションを得て,クラスタリングアルゴリズムと自己教師付き事前学習と強力なデータ拡張を組み合わせることを提案する。
CIFAR 10/100, STL 10, MNIST, および文書分類データセットReuters 10Kなど, 一般的な公開画像ベンチマークにおいて, 当社のアプローチが競合より大幅に優れていたことを示す。
論文 参考訳(メタデータ) (2020-06-17T17:58:10Z)
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。