論文の概要: Curved Geometric Networks for Visual Anomaly Recognition
- arxiv url: http://arxiv.org/abs/2208.01188v1
- Date: Tue, 2 Aug 2022 01:15:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-03 13:14:34.626966
- Title: Curved Geometric Networks for Visual Anomaly Recognition
- Title（参考訳）: 視覚異常認識のための曲面幾何ネットワーク
- Authors: Jie Hong, Pengfei Fang, Weihao Li, Junlin Han, Lars Petersson and
Mehrtash Harandi
- Abstract要約: データ分布の根底にある性質を理解するために潜伏埋め込みを学ぶことは、曲率ゼロのユークリッド空間でしばしば定式化される。
本研究では,データ中の異常やアウト・オブ・ディストリビューション・オブジェクトを解析するための曲線空間の利点について検討する。
- 参考スコア（独自算出の注目度）: 39.91252195360767
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning a latent embedding to understand the underlying nature of data
distribution is often formulated in Euclidean spaces with zero curvature.
However, the success of the geometry constraints, posed in the embedding space,
indicates that curved spaces might encode more structural information, leading
to better discriminative power and hence richer representations. In this work,
we investigate benefits of the curved space for analyzing anomalies or
out-of-distribution objects in data. This is achieved by considering embeddings
via three geometry constraints, namely, spherical geometry (with positive
curvature), hyperbolic geometry (with negative curvature) or mixed geometry
(with both positive and negative curvatures). Three geometric constraints can
be chosen interchangeably in a unified design given the task at hand. Tailored
for the embeddings in the curved space, we also formulate functions to compute
the anomaly score. Two types of geometric modules (i.e., Geometric-in-One and
Geometric-in-Two models) are proposed to plug in the original Euclidean
classifier, and anomaly scores are computed from the curved embeddings. We
evaluate the resulting designs under a diverse set of visual recognition
scenarios, including image detection (multi-class OOD detection and one-class
anomaly detection) and segmentation (multi-class anomaly segmentation and
one-class anomaly segmentation). The empirical results show the effectiveness
of our proposal through the consistent improvement over various scenarios.
- Abstract（参考訳）: データ分布の根底にある性質を理解するために潜伏埋め込みを学ぶことは、曲率ゼロのユークリッド空間でしばしば定式化される。
しかし、埋め込み空間で与えられる幾何学的制約の成功は、曲面空間がより多くの構造情報をエンコードする可能性を示し、より識別力とよりリッチな表現をもたらす。
本研究では,データ中の異常や分布外オブジェクトを解析するための曲線空間の利点について検討する。
これは3つの幾何学的制約、すなわち球形幾何学(正曲率を持つ)、双曲幾何学(負曲率を持つ)、または混合幾何学(正曲率と負曲率を持つ)による埋め込みを考えることで達成される。
3つの幾何学的制約は、タスクが手元にあることを考慮し、統一設計において交互に選択することができる。
曲線空間への埋め込みを考慮し、異常スコアを計算する関数を定式化する。
2種類の幾何学的加群(Geometric-in-OneおよびGeometric-in-Twoモデル)が元のユークリッド分類器を接続するために提案され、曲線埋め込みから異常スコアが計算される。
画像検出(複数クラスOOD検出と1クラス異常検出)とセグメンテーション(複数クラス異常セグメンテーションと1クラス異常セグメンテーション)を含む,多様な視覚的認識シナリオで得られた設計結果を評価する。
実験の結果,様々なシナリオに対して一貫した改善を行い,提案の有効性を示した。
関連論文リスト
- Geometry Distributions [51.4061133324376]
本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。
提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。
本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
論文 参考訳（メタデータ） (2024-11-25T04:06:48Z) - Adaptive Surface Normal Constraint for Geometric Estimation from Monocular Images [56.86175251327466]
本稿では,幾何学的文脈を取り入れつつ,画像から深度や表面正規度などの測地を学習するための新しい手法を提案する。
提案手法は,入力画像に存在する幾何学的変動を符号化した幾何学的文脈を抽出し,幾何的制約と深度推定を相関付ける。
本手法は,画像から高品質な3次元形状を生成可能な密着型フレームワーク内での深度と表面の正規分布推定を統一する。
論文 参考訳（メタデータ） (2024-02-08T17:57:59Z) - Exploring Data Geometry for Continual Learning [64.4358878435983]
非定常データストリームのデータ幾何を探索することにより,新しい視点から連続学習を研究する。
提案手法は,新しいデータによって引き起こされる幾何構造に対応するために,基底空間の幾何学を動的に拡張する。
実験により,本手法はユークリッド空間で設計したベースライン法よりも優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2023-04-08T06:35:25Z) - Differential Geometry in Neural Implicits [0.6198237241838558]
トライアングルメッシュの離散微分幾何とニューラル暗黙曲面の連続微分幾何を橋渡しするニューラル暗黙の枠組みを導入する。
ニューラルネットワークの微分可能特性と三角形メッシュの離散幾何学を利用して、ニューラルネットワークをニューラルネットワークの暗黙関数のゼロレベル集合として近似する。
論文 参考訳（メタデータ） (2022-01-23T13:40:45Z) - Theoretical bounds on data requirements for the ray-based classification [0.0]
特定の幾何学を識別するために、線と呼ばれる一次元表現の集合と形状の境界の交差が使用される新しい分類フレームワークが提案されている。
ここでは, 任意の凸形状に対して, 主角計量で定義される形状分類に必要な線数の境界を定式化する。
この結果は、体積法や表面法よりもかなり少ないデータ要素を用いて、高次元形状を推定するための異なるアプローチを可能にする。
論文 参考訳（メタデータ） (2021-03-17T11:38:45Z) - Self-supervised Geometric Perception [96.89966337518854]
自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。
また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
論文 参考訳（メタデータ） (2021-03-04T15:34:43Z) - Identifying the latent space geometry of network models through analysis
of curvature [7.644165047073435]
本稿では,可換空間の経験的に関連するクラスから多様体の種類,次元,曲率を一貫して推定する手法を提案する。
私たちのコアインサイトは、このグラフを、シリック間の結びつきに基づく騒々しい距離行列として表現することで実現します。
論文 参考訳（メタデータ） (2020-12-19T00:35:29Z) - Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。
提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。
メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
論文 参考訳（メタデータ） (2020-10-23T14:49:02Z) - Geometric Attention for Prediction of Differential Properties in 3D
Point Clouds [32.68259334785767]
本研究では,このような特性を学習可能な方法で提供できる幾何学的注意機構を提案する。
本研究では,正規ベクトルの予測と特徴線の抽出に関する実験により,提案手法の有用性を確立した。
論文 参考訳（メタデータ） (2020-07-06T07:40:26Z)
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。