論文の概要: Partial Shape Similarity via Alignment of Multi-Metric Hamiltonian
Spectra
- arxiv url: http://arxiv.org/abs/2207.03018v1
- Date: Thu, 7 Jul 2022 00:03:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-08 15:06:41.658695
- Title: Partial Shape Similarity via Alignment of Multi-Metric Hamiltonian
Spectra
- Title(参考訳): マルチメトリックハミルトニアンスペクトルのアライメントによる部分形状の類似性
- Authors: David Bensa\"id, Amit Bracha, Ron Kimmel
- Abstract要約: そこで本研究では, 形状の類似した領域に適合する新しい公理的手法を提案する。
類似した領域のマッチングは、ラプラス・ベルトラミ作用素(LBO)と密接に関連する作用素のスペクトルのアライメントとして定式化される
これらのデュアルスペクトルのマッチングは、標準ベンチマークでテストした場合、競合する公理的フレームワークよりも優れていることを示す。
- 参考スコア(独自算出の注目度): 10.74981839055037
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evaluating the similarity of non-rigid shapes with significant partiality is
a fundamental task in numerous computer vision applications. Here, we propose a
novel axiomatic method to match similar regions across shapes. Matching similar
regions is formulated as the alignment of the spectra of operators closely
related to the Laplace-Beltrami operator (LBO). The main novelty of the
proposed approach is the consideration of differential operators defined on a
manifold with multiple metrics. The choice of a metric relates to fundamental
shape properties while considering the same manifold under different metrics
can thus be viewed as analyzing the underlying manifold from different
perspectives. Specifically, we examine the scale-invariant metric and the
corresponding scale-invariant Laplace-Beltrami operator (SI-LBO) along with the
regular metric and the regular LBO. We demonstrate that the scale-invariant
metric emphasizes the locations of important semantic features in articulated
shapes. A truncated spectrum of the SI-LBO consequently better captures locally
curved regions and complements the global information encapsulated in the
truncated spectrum of the regular LBO. We show that matching these dual spectra
outperforms competing axiomatic frameworks when tested on standard benchmarks.
We introduced a new dataset and compare the proposed method with the
state-of-the-art learning based approach in a cross-database configuration.
Specifically, we show that, when trained on one data set and tested on another,
the proposed axiomatic approach which does not involve training, outperforms
the deep learning alternative.
- Abstract(参考訳): かなりの部分性を持つ非剛体形状の類似性を評価することは、多くのコンピュータビジョンアプリケーションにおいて基本的な課題である。
本稿では,形状の類似領域をマッチングする新しい公理的手法を提案する。
類似した領域のマッチングは、ラプラス・ベルトラミ作用素(LBO)と密接に関連する作用素のスペクトルのアライメントとして定式化される。
提案手法の主な新規性は、複数の計量を持つ多様体上で定義される微分作用素を考えることである。
計量の選択は、異なる計量の下で同じ多様体を考える間、基本的な形状の性質に関連するため、異なる視点から基礎多様体を分析することができる。
具体的には、スケール不変距離と対応するスケール不変ラプラス・ベルトラミ作用素(SI-LBO)を正規計量と正規LBOとともに検討する。
スケール不変な計量は、明瞭な形状における重要な意味的特徴の位置を強調する。
その結果、si-lboの切断スペクトルは、局所的に湾曲した領域をよりよく捉え、正規lboの切断スペクトルにカプセル化されたグローバル情報を補完する。
これらのデュアルスペクトルのマッチングは、標準ベンチマークでテストした場合、競合する公理的フレームワークよりも優れていることを示す。
我々は,新しいデータセットを導入し,提案手法と最先端学習に基づくデータベース構成の比較を行った。
具体的には、あるデータセットでトレーニングを行い、別のデータセットでテストした場合、トレーニングを伴わない公理的アプローチがディープラーニングの代替よりも優れていることを示す。
関連論文リスト
- Cluster-Aware Similarity Diffusion for Instance Retrieval [64.40171728912702]
拡散に基づく再ランク付け(diffusion-based re-level)は、隣り合うグラフで類似性の伝播を実行することで、インスタンスを検索する一般的な方法である。
本稿では,新しいクラスタ・アウェア類似性(CAS)拡散モデルを提案する。
論文 参考訳(メタデータ) (2024-06-04T14:19:50Z) - Contributing Dimension Structure of Deep Feature for Coreset Selection [26.759457501199822]
Coreset selectionは、効率的な学習のための重要なトレーニングサンプルのサブセットを選択することを目指している。
サンプル選択は、パフォーマンス向上におけるサンプルの表現と、オーバーフィッティングを回避するためのサンプルの多様性の役割である。
既存の手法は典型的には類似度の測定値に基づいてデータの表現と多様性を計測する。
論文 参考訳(メタデータ) (2024-01-29T14:47:26Z) - Duality of Bures and Shape Distances with Implications for Comparing
Neural Representations [6.698235069945606]
ニューラルネットワーク表現間の複数の類似度尺度が提案され、その結果、断片化された研究ランドスケープが生み出された。
第一に、線形回帰、正準相関解析(CCA)、形状距離などの尺度は、全て類似性を定量化するために神経ユニット間の明示的なマッピングを学習する。
第二に、表現類似性分析(RSA)、中心核アライメント(CKA)、正規化されたバーズ類似性(NBS)といった尺度は、すべて要約統計において類似性を定量化する。
論文 参考訳(メタデータ) (2023-11-19T22:17:09Z) - Counting Like Human: Anthropoid Crowd Counting on Modeling the
Similarity of Objects [92.80955339180119]
メインストリームの群衆計数法は 密度マップを補強して 計数結果を得るために統合する。
これに触発された我々は,合理的かつ人為的な集団カウントフレームワークを提案する。
論文 参考訳(メタデータ) (2022-12-02T07:00:53Z) - Approximating Intersections and Differences Between Linear Statistical
Shape Models Using Markov Chain Monte Carlo [5.8691349601057325]
本稿では,2つの線形SSMを高密度対応で比較する手法を提案する。
マルコフ連鎖モンテカルロを用いて交叉空間に横たわる形状の分布を近似する。
本稿では,交差空間の計算と解析と,利用可能な顔モデルの違いにより,提案アルゴリズムを定性的に示す。
論文 参考訳(メタデータ) (2022-11-29T15:54:34Z) - Linear Connectivity Reveals Generalization Strategies [54.947772002394736]
微調整されたモデルのいくつかは、それらの間の線形経路における損失を増大させる大きな障壁を持つ。
テスト損失面上で線形に接続されているが、クラスタ外のモデルから切り離されている異なるモデルのクラスタが見つかる。
我々の研究は、損失面の幾何学がモデルを異なる関数へと導く方法を示している。
論文 参考訳(メタデータ) (2022-05-24T23:43:02Z) - Reinforcement Learning from Partial Observation: Linear Function Approximation with Provable Sample Efficiency [111.83670279016599]
部分観察決定過程(POMDP)の無限観測および状態空間を用いた強化学習について検討した。
線形構造をもつPOMDPのクラスに対する部分可観測性と関数近似の最初の試みを行う。
論文 参考訳(メタデータ) (2022-04-20T21:15:38Z) - Log-Euclidean Signatures for Intrinsic Distances Between Unaligned
Datasets [47.20862716252927]
我々は、多様体学習を用いて、異なるデータセットの固有幾何学構造を比較する。
対数ユークリッド計量の下限に基づいて、理論上動機付けられた新しい距離を定義する。
論文 参考訳(メタデータ) (2022-02-03T16:37:23Z) - GELATO: Geometrically Enriched Latent Model for Offline Reinforcement
Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。
本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。
提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文 参考訳(メタデータ) (2021-02-22T19:42:40Z) - Learning Flat Latent Manifolds with VAEs [16.725880610265378]
本稿では、ユークリッド計量がデータポイント間の類似性のプロキシとなる変分自動エンコーダのフレームワークの拡張を提案する。
我々は、変分オートエンコーダで一般的に使用されるコンパクトな以前のものを、最近発表されたより表現力のある階層型に置き換える。
提案手法は,ビデオ追跡ベンチマークを含む,さまざまなデータセットを用いて評価する。
論文 参考訳(メタデータ) (2020-02-12T09:54:52Z)
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。