論文の概要: Learning to Structure an Image with Few Colors and Beyond

• arxiv url: http://arxiv.org/abs/2208.08438v1
• Date: Wed, 17 Aug 2022 17:59:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-18 13:02:03.548614
• Title: Learning to Structure an Image with Few Colors and Beyond
• Title（参考訳）: 少ない色とそれ以上のイメージを構築することを学ぶ
• Authors: Yunzhong Hou, Liang Zheng, Stephen Gould
• Abstract要約: カラー量子化ネットワークであるColorCNNを提案し、分類損失を最小限に抑えて、限られた色空間で画像を構成することを学習する。 複数の色空間サイズ構成をサポートするColorCNN+を導入し、大色空間における認識精度の低下と望ましくない視覚的忠実度に関する過去の問題に対処する。 潜在的な応用として、ネットワーク認識のための画像圧縮手法としてColorCNNが利用可能であることを示す。
• 参考スコア（独自算出の注目度）: 59.34619548026885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Color and structure are the two pillars that combine to give an image its meaning. Interested in critical structures for neural network recognition, we isolate the influence of colors by limiting the color space to just a few bits, and find structures that enable network recognition under such constraints. To this end, we propose a color quantization network, ColorCNN, which learns to structure an image in limited color spaces by minimizing the classification loss. Building upon the architecture and insights of ColorCNN, we introduce ColorCNN+, which supports multiple color space size configurations, and addresses the previous issues of poor recognition accuracy and undesirable visual fidelity under large color spaces. Via a novel imitation learning approach, ColorCNN+ learns to cluster colors like traditional color quantization methods. This reduces overfitting and helps both visual fidelity and recognition accuracy under large color spaces. Experiments verify that ColorCNN+ achieves very competitive results under most circumstances, preserving both key structures for network recognition and visual fidelity with accurate colors. We further discuss differences between key structures and accurate colors, and their specific contributions to network recognition. For potential applications, we show that ColorCNNs can be used as image compression methods for network recognition.
• Abstract（参考訳）: 色と構造は、イメージに意味を与えるために結合する2つの柱である。 ニューラルネットワーク認識のための重要な構造に興味を持ち、色空間を数ビットに制限することで色の影響を分離し、そのような制約下でネットワーク認識を可能にする構造を見つける。 そこで本研究では,カラー量子化ネットワークであるColorCNNを提案する。 ColorCNNのアーキテクチャと洞察に基づいて、複数の色空間サイズ構成をサポートするColorCNN+を導入し、大きな色空間下での認識精度の低下と望ましくない視覚的忠実さに関する以前の問題に対処する。 新しい模倣学習アプローチであるColorCNN+は、従来のカラー量子化手法のような色をクラスタリングすることを学ぶ。 これにより、過剰適合を低減し、大きな色空間における視覚的忠実度と認識精度の両方に役立つ。 実験により、colorcnn+は、ネットワーク認識のための重要な構造と正確な色による視覚的忠実性の両方を保ちながら、ほとんどの状況下で非常に競争力のある結果が得られることが確かめられた。 さらに,キー構造と正確な色の違いと,ネットワーク認識への寄与について考察した。 そこで本研究では,カラーcnnをネットワーク認識のための画像圧縮法として使用できることを示す。

関連論文リスト

• Color Equivariant Convolutional Networks [50.655443383582124]
  CNNは、偶然に記録された条件によって導入された色の変化の間にデータ不均衡がある場合、苦労する。 カラースペクトル間の形状特徴共有を可能にする新しいディープラーニングビルディングブロックであるカラー等変畳み込み(CEConvs)を提案する。 CEConvsの利点は、様々なタスクに対するダウンストリーム性能と、列車-テストの分散シフトを含む色の変化に対するロバスト性の改善である。
  論文  参考訳（メタデータ） (2023-10-30T09:18:49Z)
• Name Your Colour For the Task: Artificially Discover Colour Naming via Colour Quantisation Transformer [62.75343115345667]
  そこで本研究では,色空間を定量化しつつ,画像上での認識を維持しつつ,色空間を定量化する新しい色量子化変換器CQFormerを提案する。 人工色システムと人間の言語における基本色用語との一貫性のある進化パターンを観察する。 我々のカラー量子化法は、画像記憶を効果的に圧縮する効率的な量子化法も提供する。
  論文  参考訳（メタデータ） (2022-12-07T03:39:18Z)
• Influence of Color Spaces for Deep Learning Image Colorization [2.3705923859070217]
  既存のカラー化手法は、RGB、YUV、Labなど、さまざまな色空間に依存している。 本章では,深層ニューラルネットワークのトレーニングによって得られる結果に対する影響について検討する。 RGB,YUV,Labの色空間と同一の深層ニューラルネットワークアーキテクチャを用いて得られた結果を比較した。
  論文  参考訳（メタデータ） (2022-04-06T14:14:07Z)
• Assessing The Importance Of Colours For CNNs In Object Recognition [70.70151719764021]
  畳み込みニューラルネットワーク(CNN)は相反する性質を示すことが示されている。 CNNが予測をしながら色情報に大きく依存していることを実証します。 congruent, greyscale, incongruent画像の合同画像で学習したモデルを評価する。
  論文  参考訳（メタデータ） (2020-12-12T22:55:06Z)
• How Convolutional Neural Network Architecture Biases Learned Opponency and Colour Tuning [1.0742675209112622]
  最近の研究は、第2層にボトルネックを導入して畳み込みニューラルネットワーク(CNN)アーキテクチャを変更することで、学習機能の変化をもたらすことを示唆している。 この関係を完全に理解するには、訓練されたネットワークを定量的に比較する方法が必要である。 畳み込みニューロンに対する空間的および色調曲線を得るためのアプローチを提案する。
  論文  参考訳（メタデータ） (2020-10-06T11:33:48Z)
• Semantic-driven Colorization [78.88814849391352]
  最近の着色は、白黒画像の着色を学習しながら意味情報を暗黙的に予測する。 そこで本研究では,まず,人間の動作をシミュレートして,画像の理解を学習し,色づけする。
  論文  参考訳（メタデータ） (2020-06-13T08:13:30Z)
• Learning to Structure an Image with Few Colors [59.34619548026885]
  そこで,カラー量子化ネットワークであるColorCNNを提案する。 1ビットのカラースペース(すなわち2色)だけで、提案されたネットワークはCIFAR10データセット上で82.1%のトップ-1の精度を達成した。 アプリケーションの場合、PNGでエンコードされた場合、提案したカラー量子化は、極低ビットレート方式の他の画像圧縮方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-17T17:56:15Z)

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。