論文の概要: Segment Augmentation and Differentiable Ranking for Logo Retrieval

• arxiv url: http://arxiv.org/abs/2209.02482v1
• Date: Tue, 6 Sep 2022 13:30:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 14:20:35.995423
• Title: Segment Augmentation and Differentiable Ranking for Logo Retrieval
• Title（参考訳）: ロゴ検索のためのセグメント拡張と差別化可能なランキング
• Authors: Feyza Yavuz, Sinan Kalkan
• Abstract要約: ロゴ検索のための深層ネットワークをトレーニングするための,人工的に類似したロゴを導入するための,シンプルだが効果的なセグメントベース拡張戦略を提案する。 この新たな拡張戦略では、まずロゴにセグメントを見つけ、そのセグメントに回転、スケーリング、色変化などの変換を適用する。 i) セグメントベースの拡張戦略は,ベースラインモデルや画像レベルの拡張戦略と比較して検索性能が向上し, (ii) Smooth-APは, ロゴ検索における従来の損失よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 10.604639424900165
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Logo retrieval is a challenging problem since the definition of similarity is more subjective compared to image retrieval tasks and the set of known similarities is very scarce. To tackle this challenge, in this paper, we propose a simple but effective segment-based augmentation strategy to introduce artificially similar logos for training deep networks for logo retrieval. In this novel augmentation strategy, we first find segments in a logo and apply transformations such as rotation, scaling, and color change, on the segments, unlike the conventional image-level augmentation strategies. Moreover, we evaluate whether the recently introduced ranking-based loss function, Smooth-AP, is a better approach for learning similarity for logo retrieval. On the large scale METU Trademark Dataset, we show that (i) our segment-based augmentation strategy improves retrieval performance compared to the baseline model or image-level augmentation strategies, and (ii) Smooth-AP indeed performs better than conventional losses for logo retrieval.
• Abstract（参考訳）: 類似度の定義は画像検索タスクよりも主観的であり、既知の類似度の集合は非常に少ないため、ロゴ検索は難しい問題である。 本稿では,この課題に取り組むために,ロゴ検索のためのディープネットワークを訓練するために,人工的に類似したロゴを導入するためのセグメントベース拡張戦略を提案する。 この新たな拡張戦略では、まずロゴ中のセグメントを見つけ、従来の画像レベルの拡張戦略とは異なり、回転、スケーリング、色変化などの変換をセグメントに適用する。 さらに,最近導入されたランキングベースの損失関数であるSmooth-APが,ロゴ検索の類似性を学習するためのより良いアプローチであるかどうかを評価する。 大規模METU商標データセットについて,そのことを示す。 (i)セグメンテーションに基づく増補戦略は、ベースラインモデルや画像レベルの増補戦略に比べて検索性能が向上する。 (ii)smooth-apは従来のロゴ検索の損失よりも優れている。

関連論文リスト

• Image-level Regression for Uncertainty-aware Retinal Image Segmentation [3.7141182051230914]
  我々は,新たな不確実性認識変換(SAUNA)を導入する。 以上の結果から,SAUNA変換の統合とセグメント化損失は,異なるセグメンテーションモデルにおいて大きな性能向上をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T04:17:10Z)
• Texture image retrieval using a classification and contourlet-based features [0.10241134756773226]
  本稿では,テクスチャ画像に対するCBIR(Content Based Image Retrieval)を改善するための新しいフレームワークを提案する。 RCT-Plus変換に基づく新しい画像表現を用いることで実現した。 我々は,従来のCBIR方式と比較して,検索率を大幅に改善した。
  論文  参考訳（メタデータ） (2024-03-10T00:07:47Z)
• Learning Image Deraining Transformer Network with Dynamic Dual Self-Attention [46.11162082219387]
  本稿では,動的二重自己アテンション(DDSA)を用いた画像デコライニング変換器を提案する。 具体的には、トップk近似計算に基づいて、最も有用な類似度値のみを選択し、スパースアテンションを実現する。 また,高品質な定位結果を得るためのより正確な表現を実現するために,新しい空間拡張フィードフォワードネットワーク(SEFN)を開発した。
  論文  参考訳（メタデータ） (2023-08-15T13:59:47Z)
• Specialized Re-Ranking: A Novel Retrieval-Verification Framework for Cloth Changing Person Re-Identification [36.4001616893874]
  Re-IDは通常のRe-IDや生体認証技術よりもセキュリティの高い複雑なシナリオで動作することができる。 類似画像を扱う新しい検索検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-07T14:47:28Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• SATS: Self-Attention Transfer for Continual Semantic Segmentation [50.51525791240729]
  連続的なセマンティックセグメンテーションは、連続的な分類学習と同じ破滅的な忘れの問題に悩まされる。 本研究では,各画像内の要素間の関係について,知識に関連する新しいタイプの情報伝達を提案する。 関係情報は、トランスフォーマースタイルのセグメンテーションモデルにおける自己アテンションマップから有効に得ることができる。
  論文  参考訳（メタデータ） (2022-03-15T06:09:28Z)
• Contextual Similarity Aggregation with Self-attention for Visual Re-ranking [96.55393026011811]
  本稿では,自己注意を伴う文脈的類似性集約による視覚的再ランク付け手法を提案する。 提案手法の汎用性と有効性を示すため,4つのベンチマークデータセットの総合的な実験を行った。
  論文  参考訳（メタデータ） (2021-10-26T06:20:31Z)
• Discriminative Semantic Feature Pyramid Network with Guided Anchoring for Logo Detection [52.36825190893928]
  我々は,DSFP-GAを用いた識別的セマンティック特徴ピラミッドネットワークという新しい手法を提案する。 我々のアプローチは主に差別的セマンティック特徴ピラミッド(DSFP)とガイドアンコリング(GA)から構成される。
  論文  参考訳（メタデータ） (2021-08-31T11:59:00Z)
• FeatMatch: Feature-Based Augmentation for Semi-Supervised Learning [64.32306537419498]
  本稿では,複雑な変換を多様に生成する特徴量に基づく改良・拡張手法を提案する。 これらの変換は、クラスタリングを通じて抽出したクラス内およびクラス間の両方の情報も利用します。 提案手法は,大規模データセットにスケールアップしながら,より小さなデータセットに対して,現在の最先端技術に匹敵するものであることを実証する。
  論文  参考訳（メタデータ） (2020-07-16T17:55:31Z)

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。