論文の概要: SSORN: Self-Supervised Outlier Removal Network for Robust Homography
Estimation
- arxiv url: http://arxiv.org/abs/2208.14093v1
- Date: Tue, 30 Aug 2022 09:12:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-31 13:09:25.938708
- Title: SSORN: Self-Supervised Outlier Removal Network for Robust Homography
Estimation
- Title(参考訳): SSORN:ロバストホログラフィー推定のための自己監視外乱除去ネットワーク
- Authors: Yi Li, Wenjie Pei, Zhenyu He
- Abstract要約: 最近のディープラーニングモデルは、単一の畳み込みネットワークを用いたホモグラフィー推定問題に対処することを目的としている。
これらのモデルには、従来のホモグラフィー推定パイプラインにおいて重要なステップである、特徴マッチングステップと/または、外れ値除去ステップが欠落している。
本稿では,従来のホモグラフィ推定パイプラインの4ステップ全てを模倣したディープラーニングモデルの構築を試みる。
- 参考スコア(独自算出の注目度): 19.15596505858797
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The traditional homography estimation pipeline consists of four main steps:
feature detection, feature matching, outlier removal and transformation
estimation. Recent deep learning models intend to address the homography
estimation problem using a single convolutional network. While these models are
trained in an end-to-end fashion to simplify the homography estimation problem,
they lack the feature matching step and/or the outlier removal step, which are
important steps in the traditional homography estimation pipeline. In this
paper, we attempt to build a deep learning model that mimics all four steps in
the traditional homography estimation pipeline. In particular, the feature
matching step is implemented using the cost volume technique. To remove
outliers in the cost volume, we treat this outlier removal problem as a
denoising problem and propose a novel self-supervised loss to solve the
problem. Extensive experiments on synthetic and real datasets demonstrate that
the proposed model outperforms existing deep learning models.
- Abstract(参考訳): 従来のホモグラフィ推定パイプラインは、特徴検出、特徴マッチング、異常除去、変換推定の4つの主要なステップで構成されている。
最近のディープラーニングモデルは、単一畳み込みネットワークを用いたホモグラフィ推定問題に対処することを目的としている。
これらのモデルは、ホモグラフィ推定問題を単純化するためにエンドツーエンドで訓練されるが、従来のホモグラフィ推定パイプラインにおいて重要なステップである特徴マッチングステップや外れ値除去ステップが欠如している。
本稿では,従来のホモグラフィ推定パイプラインの4つのステップをすべて模倣した深層学習モデルの構築を試みる。
特に、機能マッチングステップはコストボリューム技術を用いて実装されている。
コストボリュームの外れ値を取り除くために,この外れ値除去問題をデノージング問題として扱い,新しい自己教師付き損失を提案する。
合成および実データセットに関する大規模な実験により、提案モデルが既存のディープラーニングモデルより優れていることが示された。
関連論文リスト
- TanDepth: Leveraging Global DEMs for Metric Monocular Depth Estimation in UAVs [5.6168844664788855]
本研究は,推定時間における相対的推定値から計量深度値を求めるための,実践的なオンラインスケール回復手法であるTanDepthを提案する。
本手法は無人航空機(UAV)の用途に応用され,GDEM(Global Digital Elevation Models)のスパース計測をカメラビューに投影することで活用する。
推定深度マップから接地点を選択して、投影された基準点と相関するクラスシミュレーションフィルタへの適応を示す。
論文 参考訳(メタデータ) (2024-09-08T15:54:43Z) - Adaptive operator learning for infinite-dimensional Bayesian inverse problems [7.716833952167609]
本研究では,局所的に精度の高いサロゲートを強制することによって,モデリングエラーを段階的に低減できる適応型演算子学習フレームワークを開発した。
UKIフレームワークを用いて線形の場合において厳密な収束を保証する。
その結果,逆精度を維持しながら計算コストを大幅に削減できることがわかった。
論文 参考訳(メタデータ) (2023-10-27T01:50:33Z) - Gradpaint: Gradient-Guided Inpainting with Diffusion Models [71.47496445507862]
Denoising Diffusion Probabilistic Models (DDPM) は近年,条件付きおよび非条件付き画像生成において顕著な成果を上げている。
我々はGradPaintを紹介し、グローバルな一貫性のあるイメージに向けて世代を操る。
我々は、様々なデータセットで訓練された拡散モデルによく適応し、現在最先端の教師付きおよび教師なしの手法を改善している。
論文 参考訳(メタデータ) (2023-09-18T09:36:24Z) - Minimizing the Accumulated Trajectory Error to Improve Dataset
Distillation [151.70234052015948]
本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。
合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。
本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
論文 参考訳(メタデータ) (2022-11-20T15:49:11Z) - Training Discrete Deep Generative Models via Gapped Straight-Through
Estimator [72.71398034617607]
再サンプリングのオーバーヘッドを伴わずに分散を低減するため, GST (Gapped Straight-Through) 推定器を提案する。
この推定子は、Straight-Through Gumbel-Softmaxの本質的な性質に着想を得たものである。
実験により,提案したGST推定器は,2つの離散的な深部生成モデリングタスクの強いベースラインと比較して,優れた性能を享受できることが示された。
論文 参考訳(メタデータ) (2022-06-15T01:46:05Z) - Near-Exact Recovery for Tomographic Inverse Problems via Deep Learning [3.441021278275805]
本稿では,反復的なエンドツーエンドネットワーク方式により,数値的精度に近い再構成が可能となることを示す。
また、オープンアクセスの実世界のデータセットLoDoPaB CT上で、最先端のパフォーマンスを実証する。
論文 参考訳(メタデータ) (2022-06-14T10:06:41Z) - Deep Active Learning with Noise Stability [24.54974925491753]
ラベルのないデータの不確実性推定は、アクティブな学習に不可欠である。
本稿では,雑音の安定性を利用して不確実性を推定する新しいアルゴリズムを提案する。
本手法はコンピュータビジョン,自然言語処理,構造データ解析など,様々なタスクに適用可能である。
論文 参考訳(メタデータ) (2022-05-26T13:21:01Z) - Low-resolution Human Pose Estimation [49.531572116079026]
低分解能ポーズ推定のための信頼意識学習(CAL)手法を提案する。
CALは、既存のオフセット学習手法の2つの基本的な制限に対処する: 一貫性のないトレーニングとテスト、分離されたヒートマップとオフセット学習。
提案手法は,低分解能人間のポーズ推定における最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2021-09-19T09:13:57Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳(メタデータ) (2020-12-17T15:19:29Z) - Path Sample-Analytic Gradient Estimators for Stochastic Binary Networks [78.76880041670904]
二進的アクティベーションや二進的重みを持つニューラルネットワークでは、勾配降下によるトレーニングは複雑である。
そこで本研究では,サンプリングと解析近似を併用した新しい推定法を提案する。
勾配推定において高い精度を示し、深部畳み込みモデルにおいてより安定かつ優れた訓練を行うことを示す。
論文 参考訳(メタデータ) (2020-06-04T21:51:21Z)
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。