論文の概要: NeFSAC: Neurally Filtered Minimal Samples

• arxiv url: http://arxiv.org/abs/2207.07872v1
• Date: Sat, 16 Jul 2022 08:02:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-19 15:21:46.161478
• Title: NeFSAC: Neurally Filtered Minimal Samples
• Title（参考訳）: NeFSAC: ニューラルネットワークによる最小サンプル
• Authors: Luca Cavalli, Marc Pollefeys, Daniel Barath
• Abstract要約: NeFSACは、動作不整合で条件の悪い最小サンプルをニューラルネットワークでフィルタリングするための効率的なアルゴリズムである。 NeFSACは既存のRANSACベースのパイプラインに接続できる。 公開されている3つの実世界のデータセットから100万枚以上のイメージペアでNeFSACをテストしました。
• 参考スコア（独自算出の注目度）: 90.55214606751453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Since RANSAC, a great deal of research has been devoted to improving both its accuracy and run-time. Still, only a few methods aim at recognizing invalid minimal samples early, before the often expensive model estimation and quality calculation are done. To this end, we propose NeFSAC, an efficient algorithm for neural filtering of motion-inconsistent and poorly-conditioned minimal samples. We train NeFSAC to predict the probability of a minimal sample leading to an accurate relative pose, only based on the pixel coordinates of the image correspondences. Our neural filtering model learns typical motion patterns of samples which lead to unstable poses, and regularities in the possible motions to favour well-conditioned and likely-correct samples. The novel lightweight architecture implements the main invariants of minimal samples for pose estimation, and a novel training scheme addresses the problem of extreme class imbalance. NeFSAC can be plugged into any existing RANSAC-based pipeline. We integrate it into USAC and show that it consistently provides strong speed-ups even under extreme train-test domain gaps - for example, the model trained for the autonomous driving scenario works on PhotoTourism too. We tested NeFSAC on more than 100k image pairs from three publicly available real-world datasets and found that it leads to one order of magnitude speed-up, while often finding more accurate results than USAC alone. The source code is available at https://github.com/cavalli1234/NeFSAC.
• Abstract（参考訳）: RANSAC以来、その正確性と実行時間の両方を改善するために多くの研究が続けられてきた。 それでも、しばしば高価なモデル推定と品質計算が行われる前に、無効な最小限のサンプルを早期に認識することを目的とした方法はごくわずかである。 この目的のために,動作不整合かつ条件が不整な最小サンプルをニューラルネットワークでフィルタリングするアルゴリズムNeFSACを提案する。 画像対応の画素座標のみに基づいて、nefsacを訓練して、正確な相対的なポーズにつながる最小サンプルの確率を予測する。 我々のニューラルフィルタリングモデルは、不安定なポーズにつながるサンプルの典型的な動きパターンを学習し、起こりうる動きの規則性は、よく調和し、おそらく正しいサンプルを好む。 新しい軽量アーキテクチャはポーズ推定のための最小サンプルの主不変量を実装し、新しいトレーニングスキームは極端なクラス不均衡の問題に対処する。 NeFSACは既存のRANSACベースのパイプラインに接続できる。 私たちはそれをusacに統合し、極端な列車テストのドメイン間隙の下でも一貫して強力なスピードアップを提供することを示した。 我々は、公開されている3つの実世界のデータセットから100万枚以上のイメージペアでNeFSACをテストし、それが1桁のスピードアップにつながることを発見した。 ソースコードはhttps://github.com/cavalli1234/NeFSACで入手できる。

関連論文リスト

• Fine Structure-Aware Sampling: A New Sampling Training Scheme for Pixel-Aligned Implicit Models in Single-View Human Reconstruction [98.30014795224432]
  本研究では,単一視点の人物再構成のための暗黙的画素アライメントモデルをトレーニングするために,FSS(Final Structured-Aware Sampling)を導入する。 FSSは表面の厚さと複雑さに積極的に適応する。 また、画素アライメント型暗黙的モデルのためのメッシュ厚み損失信号を提案する。
  論文  参考訳（メタデータ） (2024-02-29T14:26:46Z)
• FewSOME: One-Class Few Shot Anomaly Detection with Siamese Networks [0.5735035463793008]
  FewSOME (Few Shot anOMaly Detection) は深層一級異常検出アルゴリズムであり、異常を正確に検出できる。 FewSOMEは、Siamese Networksをベースとしたアーキテクチャで事前訓練されたウェイトによって支援されている。 我々の実験は、ベンチマークデータセット上でFewSOMEのパフォーマンスを最先端レベルで実証した。
  論文  参考訳（メタデータ） (2023-01-17T15:32:34Z)
• Generalized Differentiable RANSAC [95.95627475224231]
  $nabla$-RANSACは、ランダム化された堅牢な推定パイプライン全体を学ぶことができる、微分可能なRANSACである。 $nabla$-RANSACは、精度という点では最先端のシステムよりも優れているが、精度は低い。
  論文  参考訳（メタデータ） (2022-12-26T15:13:13Z)
• Robust Few-shot Learning Without Using any Adversarial Samples [19.34427461937382]
  高度なメタラーニング技術を用いて、数発の問題をロバストネスの目的と組み合わせる試みがいくつかなされている。 逆のサンプルを一切必要としない単純で効果的な代替案を提案する。 ヒトの認知的意思決定プロセスにインスパイアされ、ベースクラスデータとそれに対応する低周波サンプルの高レベル特徴マッチングを強制する。
  論文  参考訳（メタデータ） (2022-11-03T05:58:26Z)
• Are You Stealing My Model? Sample Correlation for Fingerprinting Deep Neural Networks [86.55317144826179]
  従来の方法は、常にモデル指紋として転送可能な敵の例を利用する。 本稿では,SAmple correlation (SAC) に基づく新しいモデル盗難検出手法を提案する。 SACは、敵の訓練や移動学習を含む様々なモデル盗難攻撃をうまく防いでいる。
  論文  参考訳（メタデータ） (2022-10-21T02:07:50Z)
• Adaptive Reordering Sampler with Neurally Guided MAGSAC [63.139445467355934]
  そこで我々は, 常に不整数のみを構成する確率が最も高い試料を選定する頑健な推定器のための新しいサンプリング器を提案する。 反復が失敗すると、イリヤ確率はベイズ的アプローチによって原則的に更新される。 幾何的に妥当な方法で、あらゆる種類の特徴に対して推定できる配向とスケールを利用する新しい損失を導入する。
  論文  参考訳（メタデータ） (2021-11-28T10:16:38Z)
• Learnable Locality-Sensitive Hashing for Video Anomaly Detection [44.19433917039249]
  ビデオ異常検出(英語: Video Anomaly Detection, VAD)とは、通常サンプルのみが利用可能なトレーニングセットで発生していない異常事象を特定することを指す。 本稿では,すべての標準データを効率よく,かつ柔軟に活用するための,距離に基づく新しいVAD手法を提案する。
  論文  参考訳（メタデータ） (2021-11-15T15:25:45Z)
• On the Difficulty of Membership Inference Attacks [11.172550334631921]
  近年の研究では,深層モデルに対するMI攻撃が提案されている。 明らかな成功にもかかわらず、これらの研究は正のクラス(メンバークラス)の正確さ、正確さ、リコールのみを報告している。 報告されていない偽陽性率や誤警報率(FAR)に悩まされているため,MI攻撃の報告方法が誤解を招くことが多い。
  論文  参考訳（メタデータ） (2020-05-27T23:09:17Z)
• Frustratingly Simple Few-Shot Object Detection [98.42824677627581]
  希少なクラスにおける既存検出器の最後の層のみを微調整することは、数発の物体検出タスクに不可欠である。 このような単純なアプローチは、現在のベンチマークで約220ポイントのメタ学習方法より優れている。
  論文  参考訳（メタデータ） (2020-03-16T00:29:14Z)

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。