論文の概要: Oflib: Facilitating Operations with and on Optical Flow Fields in Python

• arxiv url: http://arxiv.org/abs/2210.05635v1
• Date: Tue, 11 Oct 2022 17:28:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 16:38:48.468541
• Title: Oflib: Facilitating Operations with and on Optical Flow Fields in Python
• Title（参考訳）: oflib: pythonのオプティカルフローフィールドによる操作の促進
• Authors: Claudio Ravasio, Lyndon Da Cruz, Christos Bergeles
• Abstract要約: 動作推定アルゴリズムなどにおける光学的流れ,すなわち2次元ベクトル場の特徴付けと操作に関する理論的枠組みを提案する。 この構造化されたアプローチは、深層学習に必要なバックプロパゲーションをサポートするPyTorchバージョンのlibpytorchで、Python 3の実装の基礎として使用される。 本研究では,このフローコンポジション法を実証的に検証し,合成トレーニングデータ作成における光学的フローグラウンド真理への適用例を示す。
• 参考スコア（独自算出の注目度）: 5.936095386978232
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a robust theoretical framework for the characterisation and manipulation of optical flow, i.e 2D vector fields, in the context of their use in motion estimation algorithms and beyond. The definition of two frames of reference guides the mathematical derivation of flow field application, inversion, evaluation, and composition operations. This structured approach is then used as the foundation for an implementation in Python 3, with the fully differentiable PyTorch version oflibpytorch supporting back-propagation as required for deep learning. We verify the flow composition method empirically and provide a working example for its application to optical flow ground truth in synthetic training data creation. All code is publicly available.
• Abstract（参考訳）: 本稿では,運動推定アルゴリズムなどにおける光学フローのキャラクタリゼーションと操作,すなわち2次元ベクトル場に対するロバストな理論的枠組みを提案する。 2つの参照フレームの定義は、フローフィールドの適用、反転、評価、合成操作の数学的導出を導く。 この構造化されたアプローチは、深層学習に必要なバックプロパゲーションをサポートするPyTorchバージョンのlibpytorchで、Python 3の実装の基礎として使用される。 本研究では,このフローコンポジション法を実証的に検証し,合成トレーニングデータ作成における光学的フローグラウンド真理への適用例を示す。 すべてのコードは公開されている。

関連論文リスト

• TDAvec: Computing Vector Summaries of Persistence Diagrams for Topological Data Analysis in R and Python [0.6445605125467574]
  我々は永続化ダイアグラム(PD)のベクトル化を効率化する新しいソフトウェアパッケージを導入する。 PDの空間の非ヒルベルト的な性質は、機械学習アプリケーションで直接使用する上での課題を提起する。
  論文  参考訳（メタデータ） (2024-11-26T11:34:12Z)
• PointFlowHop: Green and Interpretable Scene Flow Estimation from Consecutive Point Clouds [49.7285297470392]
  本研究では,PointFlowHopと呼ばれる3次元シーンフローの効率的な推定法を提案する。 ポイントフローホップは2つの連続する点雲を取り、第1点雲の各点の3次元フローベクトルを決定する。 シーンフロー推定タスクを,エゴモーション補償,オブジェクトアソシエーション,オブジェクトワイドモーション推定など,一連のサブタスクに分解する。
  論文  参考訳（メタデータ） (2023-02-27T23:06:01Z)
• Efficient algorithms for implementing incremental proximal-point methods [0.3263412255491401]
  機械学習において、モデルトレーニングアルゴリズムは、各計算ステップにおけるトレーニングセットのごく一部を観察する。 いくつかの研究ストリームは、よく知られた近位作用素による勾配よりもコスト関数に関するより多くの情報を活用する試みである。 近似演算子のアルゴリズム効率とソフトウェアモジュール性の両方を達成するために凸双対性理論を利用する新しいアルゴリズムフレームワークを考案する。
  論文  参考訳（メタデータ） (2022-05-03T12:43:26Z)
• pygrank: A Python Package for Graph Node Ranking [13.492381728793612]
  我々は、ノードランキングアルゴリズムを定義し、実行し、評価するオープンソースのPythonパッケージであるpygrankを紹介した。 我々は,グラフフィルタ,ポストプロセッサ,測度,ベンチマーク,オンラインチューニングなど,オブジェクト指向で広範囲に単体テストされたアルゴリズムコンポーネントを提供する。
  論文  参考訳（メタデータ） (2021-10-18T13:13:21Z)
• FlowStep3D: Model Unrolling for Self-Supervised Scene Flow Estimation [87.74617110803189]
  シーンフローとして知られるシーン内の点の3次元運動を推定することは、コンピュータビジョンにおける中核的な問題である。 本稿では,シーンフローの予測を洗練するための反復的アライメント手順の1ステップを学習する再帰的アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-11-19T23:23:48Z)
• Deep Learning Framework From Scratch Using Numpy [0.0]
  この研究は、完全に汎用的なディープラーニングフレームワークをゼロから厳格に開発したものである。 ディープラーニングの基本コンポーネントは基本計算から開発され、PythonとNumpyライブラリのみを使用して、合理的なオブジェクト指向アプローチで実装されている。 ArrayFlowというフレームワークを使って解決された問題の例は、コンピュータビジョン分類タスク、カテナリーの形状の解法、二階微分方程式などである。
  論文  参考訳（メタデータ） (2020-11-17T06:28:05Z)
• Self Normalizing Flows [65.73510214694987]
  本稿では,各層における学習された近似逆数により,勾配の高価な項を置き換えることで,フローの正規化を訓練するための柔軟なフレームワークを提案する。 これにより、各レイヤの正確な更新の計算複雑性が$mathcalO(D3)$から$mathcalO(D2)$に削減される。 実験により,これらのモデルは非常に安定であり,正確な勾配値と類似したデータ可能性値に最適化可能であることが示された。
  論文  参考訳（メタデータ） (2020-11-14T09:51:51Z)
• Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
  本稿では,3次元形状対応のための教師なし学習手法を提案する。 提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-28T22:24:07Z)
• LiteFlowNet3: Resolving Correspondence Ambiguity for More Accurate Optical Flow Estimation [99.19322851246972]
  本稿では,光フロー推定の問題に対処する2つのモジュールからなるディープネットワークである LiteFlowNet3 を紹介する。 LiteFlowNet3は、公開ベンチマークで有望な結果を達成するだけでなく、小さなモデルサイズと高速なランタイムも備えている。
  論文  参考訳（メタデータ） (2020-07-18T03:30:39Z)
• stream-learn -- open-source Python library for difficult data stream batch analysis [0.0]
  stream-learnはScikit-learnと互換性があり、ドリフトと不均衡なデータストリーム分析のために開発された。 主なコンポーネントは、合成データストリームを生成するストリームジェネレータである。 さらに,データストリーム分類に適応した推定器も実装されている。
  論文  参考訳（メタデータ） (2020-01-29T20:15:09Z)
• OPFython: A Python-Inspired Optimum-Path Forest Classifier [68.8204255655161]
  本稿では,OPFythonと表記されるPythonベースのOptimum-Path Forestフレームワークを提案する。 OPFythonはPythonベースのライブラリなので、C言語よりもフレンドリーな環境とプロトタイピングの作業スペースを提供する。
  論文  参考訳（メタデータ） (2020-01-28T15:46:19Z)

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。