Fugu-MT 論文翻訳(概要): Pixel-level Correspondence for Self-Supervised Learning from Video

論文の概要: Pixel-level Correspondence for Self-Supervised Learning from Video

arxiv url: http://arxiv.org/abs/2207.03866v1
Date: Fri, 8 Jul 2022 12:50:13 GMT
ステータス: 処理完了
システム内更新日: 2022-07-11 14:06:12.461829
Title: Pixel-level Correspondence for Self-Supervised Learning from Video
Title（参考訳）: ビデオからの自己監督学習のための画素レベルの対応
Authors: Yash Sharma, Yi Zhu, Chris Russell, Thomas Brox
Abstract要約: ピクセルレベルの対応 (PiCo) はビデオから高密度なコントラスト学習を行う方法である。標準的なベンチマークでPiCoを検証し、複数の高密度予測タスクで自己教師付きベースラインを上回ります。
参考スコア（独自算出の注目度）: 56.24439897867531
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: While self-supervised learning has enabled effective representation learning in the absence of labels, for vision, video remains a relatively untapped source of supervision. To address this, we propose Pixel-level Correspondence (PiCo), a method for dense contrastive learning from video. By tracking points with optical flow, we obtain a correspondence map which can be used to match local features at different points in time. We validate PiCo on standard benchmarks, outperforming self-supervised baselines on multiple dense prediction tasks, without compromising performance on image classification.
Abstract（参考訳）: 自己教師付き学習はラベル無しで効果的な表現学習を可能にするが、視覚ではビデオは依然として比較的未解決の監督源である。これを解決するために,ビデオからの高密度コントラスト学習手法であるPixelレベル対応(PiCo)を提案する。光流による点の追跡により,各点の局所的特徴を一致させることができる対応写像を得る。我々は、画像分類の性能を損なうことなく、複数の高密度予測タスクにおける自己教師付きベースラインよりも優れた、標準ベンチマーク上のPiCoを検証する。

関連論文リスト

Learning Fine-Grained Features for Pixel-wise Video Correspondences [13.456993858078514]
画素ワイド対応を確立するための学習機能の問題に対処する。光フローと自己教師付き特徴学習によってモチベーションを得るとともに、ラベル付き合成ビデオだけでなく、ラベル付き実世界のビデオも活用することを提案する。一連の対応型タスクに対する実験結果から,提案手法は最先端のライバルよりも精度と効率が優れていることが示された。
論文参考訳（メタデータ） (2023-08-06T07:27:17Z)
Unified Mask Embedding and Correspondence Learning for Self-Supervised Video Segmentation [76.40565872257709]
我々は、局所的な識別的特徴学習のためのフレーム間密度対応を同時にモデル化する統合フレームワークを開発する。ラベルなしビデオから直接マスク誘導シーケンシャルセグメンテーションを実行することができる。我々のアルゴリズムは、2つの標準ベンチマーク(DAVIS17とYouTube-VOS)に最先端をセットする。
論文参考訳（メタデータ） (2023-03-17T16:23:36Z)
Contrastive Losses Are Natural Criteria for Unsupervised Video Summarization [27.312423653997087]
ビデオの要約は、ビデオ内の最も情報に富むサブセットを選択して、効率的なビデオブラウジングを容易にすることを目的としている。本稿では,局所的な相似性,グローバルな一貫性,一意性という,望ましいキーフレームを特徴とする3つの指標を提案する。本研究は,事前学習した特徴を軽量なプロジェクションモジュールで洗練することにより,フレームレベルの重要度をさらに向上できることを示す。
論文参考訳（メタデータ） (2022-11-18T07:01:28Z)
Self-Supervised Equivariant Learning for Oriented Keypoint Detection [35.94215211409985]
我々は、回転同変CNNを用いた自己教師付き学習フレームワークを導入し、ロバスト指向キーポイントの検出を学習する。ヒストグラムに基づく配向マップのトレーニングのために,合成変換により生成した画像対による高密度配向損失を提案する。提案手法は,画像マッチングベンチマークとカメラポーズ推定ベンチマークにおいて,従来の手法よりも優れていた。
論文参考訳（メタデータ） (2022-04-19T02:26:07Z)
LEAD: Self-Supervised Landmark Estimation by Aligning Distributions of Feature Similarity [49.84167231111667]
自己監督型ランドマーク検出における既存の研究は、画像から高密度(ピクセルレベルの)特徴表現を学習することに基づいている。自己教師付き方式で高密度同変表現の学習を強化するアプローチを提案する。機能抽出器にそのような先行性があることは,アノテーションの数が大幅に制限されている場合でも,ランドマーク検出に役立ちます。
論文参考訳（メタデータ） (2022-04-06T17:48:18Z)
CoCon: Cooperative-Contrastive Learning [52.342936645996765]
自己教師付き視覚表現学習は効率的な映像分析の鍵である。最近の画像表現の学習の成功は、コントラスト学習がこの課題に取り組むための有望なフレームワークであることを示唆している。コントラスト学習の協調的バリエーションを導入し、ビュー間の相補的な情報を活用する。
論文参考訳（メタデータ） (2021-04-30T05:46:02Z)
Multiview Pseudo-Labeling for Semi-supervised Learning from Video [102.36355560553402]
本稿では,映像における半教師付き学習において,外観と動作情報という形で相補的視点を用いた新しい枠組みを提案する。提案手法は複数のビューを対象とするが,それでも外観と動作の入力間で共有されるモデルを訓練する。複数のビデオ認識データセットにおいて,本手法は教師あり映像表現学習における従来の標準ベンチマークと比較し,教師あり映像表現学習における従来の手法と比較した。
論文参考訳（メタデータ） (2021-04-01T17:59:48Z)
Rethinking Self-supervised Correspondence Learning: A Video Frame-level Similarity Perspective [13.90183404059193]
ビデオフレームレベルの類似度(VFS)学習を用いた対応学習を提案する。我々の研究は、画像レベルのコントラスト学習と視覚認識のための類似学習の成功に触発されている。 VFSは、OTBビジュアルオブジェクトトラッキングとDAVISビデオオブジェクトセグメンテーションの両方において、最先端の自己監視アプローチを超える驚くべき結果を示しています。
論文参考訳（メタデータ） (2021-03-31T17:56:35Z)
Contrastive Transformation for Self-supervised Correspondence Learning [120.62547360463923]
野生のラベルのない動画を用いて,視覚的対応の自己監督学習について検討する。本手法は,信頼性の高い対応推定のための映像内および映像間表現関連を同時に検討する。我々のフレームワークは、近年の視覚的タスクにおける自己監督型対応手法よりも優れています。
論文参考訳（メタデータ） (2020-12-09T14:05:06Z)

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。