論文の概要: Learning Multi-resolution Functional Maps with Spectral Attention for
Robust Shape Matching
- arxiv url: http://arxiv.org/abs/2210.06373v1
- Date: Wed, 12 Oct 2022 16:24:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 15:39:21.861287
- Title: Learning Multi-resolution Functional Maps with Spectral Attention for
Robust Shape Matching
- Title(参考訳): ロバスト形状マッチングのためのスペクトル注意による多分解能関数マップの学習
- Authors: Lei Li, Nicolas Donati, Maks Ovsjanikov
- Abstract要約: スペクトルに着目した多分解能関数写像に基づく新しい非剛性形状マッチングフレームワークを提案する。
私たちのフレームワークは、教師なし設定と教師なし設定の両方に適用できます。
入力された形状に応じてスペクトル分解能を適応できるようにネットワークをトレーニングすることが可能であることを示す。
- 参考スコア(独自算出の注目度): 38.160024675855496
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we present a novel non-rigid shape matching framework based on
multi-resolution functional maps with spectral attention. Existing functional
map learning methods all rely on the critical choice of the spectral resolution
hyperparameter, which can severely affect the overall accuracy or lead to
overfitting, if not chosen carefully. In this paper, we show that spectral
resolution tuning can be alleviated by introducing spectral attention. Our
framework is applicable in both supervised and unsupervised settings, and we
show that it is possible to train the network so that it can adapt the spectral
resolution, depending on the given shape input. More specifically, we propose
to compute multi-resolution functional maps that characterize correspondence
across a range of spectral resolutions, and introduce a spectral attention
network that helps to combine this representation into a single coherent final
correspondence. Our approach is not only accurate with near-isometric input,
for which a high spectral resolution is typically preferred, but also robust
and able to produce reasonable matching even in the presence of significant
non-isometric distortion, which poses great challenges to existing methods. We
demonstrate the superior performance of our approach through experiments on a
suite of challenging near-isometric and non-isometric shape matching
benchmarks.
- Abstract(参考訳): 本研究では,スペクトルに着目した多分解能関数写像に基づく新しい非剛性形状マッチングフレームワークを提案する。
既存の関数マップ学習手法はすべて、スペクトル分解能ハイパーパラメータの重要な選択に依存しており、これは全体的な精度に深刻な影響を与えるか、慎重に選択しなければ過度に適合する。
本稿では,スペクトル分解能チューニングを,スペクトル注意の導入により緩和できることを示す。
我々のフレームワークは、教師なしと教師なしの両方の環境で適用可能であり、所定の形状の入力に応じてスペクトル分解能を適応できるようにネットワークをトレーニングできることを示す。
より具体的には、スペクトル分解能の範囲にわたる対応を特徴付ける多分解能関数写像を計算し、この表現を単一コヒーレントな最終対応に組み合わせるためのスペクトル注意ネットワークを提案する。
本手法は, 高いスペクトル分解能が好まれる近異量入力で精度が向上するだけでなく, 重要な非異方性歪みが存在する場合でも合理的なマッチングが得られ, 既存の手法に大きな課題となっている。
提案手法は,ほぼ等尺および非等尺な形状マッチングベンチマークのスイートを用いた実験により,優れた性能を示す。
関連論文リスト
- Hyperspectral Image Reconstruction via Combinatorial Embedding of
Cross-Channel Spatio-Spectral Clues [6.580484964018551]
既存の学習に基づくハイパースペクトル再構成手法は、ハイパースペクトルバンド間の情報を完全に活用する際の限界を示す。
それぞれの超スペクトル空間における相互依存性について検討する。
これらの組み込み機能は、チャネル間相関をクエリすることで、完全に活用することができる。
論文 参考訳(メタデータ) (2023-12-18T11:37:19Z) - SSIF: Learning Continuous Image Representation for Spatial-Spectral
Super-Resolution [73.46167948298041]
本稿では,空間領域における連続画素座標とスペクトル領域における連続波長の両方の関数として,画像を表すニューラル暗黙モデルを提案する。
SSIFは空間分解能とスペクトル分解能の両方によく対応していることを示す。
ダウンストリームタスクのパフォーマンスを1.7%-7%向上させる高解像度画像を生成することができる。
論文 参考訳(メタデータ) (2023-09-30T15:23:30Z) - ESSAformer: Efficient Transformer for Hyperspectral Image
Super-resolution [76.7408734079706]
単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。
本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
論文 参考訳(メタデータ) (2023-07-26T07:45:14Z) - Degradation-agnostic Correspondence from Resolution-asymmetric Stereo [96.03964515969652]
テレワイドカメラシステムで取得した解像度の異なる2枚の画像からステレオマッチングの問題を考察する。
特徴量整合性という画像空間の代わりに特徴空間に2つのビュー間の整合性を課すことを提案する。
測光損失をトレーニングしたステレオマッチングネットワークは最適ではないが, 特徴抽出器は劣化に依存しない, マッチング特有の特徴を生成できる。
論文 参考訳(メタデータ) (2022-04-04T12:24:34Z) - Cross-Modality Attentive Feature Fusion for Object Detection in
Multispectral Remote Sensing Imagery [0.6853165736531939]
マルチスペクトルリモートセンシング画像ペアの相補的な情報を融合するクロスモダリティは、検出アルゴリズムの知覚能力を向上させることができる。
本稿では,共通モダリティと差分モダリティを併用した,新規で軽量なマルチスペクトル特徴融合法を提案する。
提案手法は,最先端の性能を低コストで実現することができる。
論文 参考訳(メタデータ) (2021-12-06T13:12:36Z) - Spectral Splitting and Aggregation Network for Hyperspectral Face
Super-Resolution [82.59267937569213]
高分解能(HR)ハイパースペクトル顔画像は、制御されていない条件下での顔関連コンピュータビジョンタスクにおいて重要な役割を果たす。
本稿では,ハイパースペクトル顔画像への深層学習手法の適用方法について検討する。
限られたトレーニングサンプルを用いたHFSRのためのスペクトル分割集約ネットワーク(SSANet)を提案する。
論文 参考訳(メタデータ) (2021-08-31T02:13:00Z) - Self-supervised spectral matching network for hyperspectral target
detection [8.831857715361624]
いくつかのターゲットサンプルから、航空機、車両、船舶などの特定のターゲットピクセルをハイパースペクトル画像全体から識別することを目的としています。
一般に、背景ピクセルは画像の大部分を取り、複雑に分散します。
スペクトル混合に基づく自己監視型パラダイムは、ハイパースペクトルデータのために設計され、効果的な特徴表現を得る。
論文 参考訳(メタデータ) (2021-05-10T02:32:58Z) - There and Back Again: Self-supervised Multispectral Correspondence
Estimation [13.56924750612194]
自己監督が可能な新しいサイクル一貫性指標を紹介します。
これにより、スペクトルに依存しない損失関数と組み合わせることで、同じネットワークを複数のスペクトルにわたってトレーニングできます。
本研究では,高密度RGB-FIR対応推定の課題に対するアプローチを示す。
論文 参考訳(メタデータ) (2021-03-19T12:33:56Z) - Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral
Imagery [79.69449412334188]
本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。
本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。
実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
論文 参考訳(メタデータ) (2020-05-18T14:25:50Z) - Instant recovery of shape from spectrum via latent space connections [33.83258865005668]
ラプラシアンスペクトルから形状を復元する最初の学習法を提案する。
自動エンコーダが与えられた場合、我々のモデルはサイクル整合モジュールの形で潜在ベクトルを固有値列にマッピングする。
我々のデータ駆動型アプローチは、計算コストのごく一部でより正確な結果を提供しながら、事前の手法で必要となるアドホック正規化器の必要性を置き換える。
論文 参考訳(メタデータ) (2020-03-14T00:48:34Z)
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。