論文の概要: FuRPE: Learning Full-body Reconstruction from Part Experts

• arxiv url: http://arxiv.org/abs/2212.00731v2
• Date: Wed, 3 Jan 2024 01:26:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-04 17:18:58.663194
• Title: FuRPE: Learning Full-body Reconstruction from Part Experts
• Title（参考訳）: FuRPE: パートエキスパートからフルボディ再構築を学ぶ
• Authors: Zhaoxin Fan, Yuqing Pan, Hao Xu, Zhenbo Song, Zhicheng Wang, Kejian Wu, Hongyan Liu and Jun He
• Abstract要約: 本稿では,高品質な擬似ラベルを導き出すために,パートエキスパートと巧妙な擬似接地木選択方式を用いたフレームワークFuRPEを紹介する。 これらのラベルは、我々のアプローチの中心であり、利用可能なデータから効率的に学習する能力を持つ。 本稿では,FuRPEを用いて2段階と完全畳み込み1段階のフルボディ再構築ネットワークを訓練する。
• 参考スコア（独自算出の注目度）: 20.746305071768887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the field of full-body reconstruction, the scarcity of annotated data often impedes the efficacy of prevailing methods. To address this issue, we introduce FuRPE, a novel framework that employs part-experts and an ingenious pseudo ground-truth selection scheme to derive high-quality pseudo labels. These labels, central to our approach, equip our network with the capability to efficiently learn from the available data. Integral to FuRPE is a unique exponential moving average training strategy and expert-derived feature distillation strategy. These novel elements of FuRPE not only serve to further refine the model but also to reduce potential biases that may arise from inaccuracies in pseudo labels, thereby optimizing the network's training process and enhancing the robustness of the model. We apply FuRPE to train both two-stage and fully convolutional single-stage full-body reconstruction networks. Our exhaustive experiments on numerous benchmark datasets illustrate a substantial performance boost over existing methods, underscoring FuRPE's potential to reshape the state-of-the-art in full-body reconstruction.
• Abstract（参考訳）: 全身再構築の分野において、注釈付きデータの不足は、しばしば一般的な方法の有効性を阻害する。 この問題に対処するため,我々は,高品質な擬似ラベルを導き出すために,パートエキスパートと巧妙な擬似接地木選択方式を用いた新しいフレームワークであるFuRPEを紹介した。 当社のアプローチの中心となるこれらのラベルは、当社のネットワークに利用可能なデータから効率的に学習する能力を提供します。 FuRPEと統合することは、ユニークな指数的移動平均訓練戦略と専門家による特徴蒸留戦略である。 FuRPEのこれらの新しい要素は、モデルをさらに洗練するだけでなく、擬似ラベルの不正確さから生じる潜在的なバイアスを低減し、ネットワークのトレーニングプロセスを最適化し、モデルの堅牢性を高めるのに役立つ。 2段階および完全畳み込み型1段階全身体再構築ネットワークの訓練にfurpeを適用した。 多数のベンチマークデータセットに関する包括的な実験は、既存の手法よりも大幅にパフォーマンスが向上し、フルボディ再構築におけるFuRPEの最先端を再構築する可能性を示している。

関連論文リスト

• AdaIR: Exploiting Underlying Similarities of Image Restoration Tasks with Adapters [57.62742271140852]
  AdaIRは、パフォーマンスを犠牲にすることなく、低コストで効率的なトレーニングを可能にする新しいフレームワークである。 AdaIRは軽量でタスク固有のモジュールのトレーニングのみを必要とし、より効率的なストレージとトレーニング体制を確保する。
  論文  参考訳（メタデータ） (2024-04-17T15:31:06Z)
• On the Sample Efficiency of Abstractions and Potential-Based Reward Shaping in Reinforcement Learning [1.3381647310440739]
  PBRS(Posion Based Reward Shaping)は、Reinforcement Learning(RL)におけるサンプルの非効率化に取り組む研究において、大きな可能性を秘めている。 私たちは抽象化を活用して、"良い"ポテンシャル関数を自動生成します。 我々は、目標指向ナビゲーションタスクと3つのアーケード学習環境(ALE)ゲームを含む4つの環境におけるアプローチを評価し、単純な完全接続ネットワークでCNNベースのソリューションと同じレベルのパフォーマンスを達成できることを実証した。
  論文  参考訳（メタデータ） (2024-04-11T15:09:49Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• Single Image Reflection Separation via Component Synergy [14.57590565534889]
  反射重畳現象は複雑で、現実世界に広く分布している。 学習可能な残余項を導入することにより、重ね合わせモデルのより一般的な形式を提案する。 その利点をフルに活用するために,ネットワーク構造をさらに精巧に設計する。
  論文  参考訳（メタデータ） (2023-08-19T14:25:27Z)
• Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
  我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。 提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
  論文  参考訳（メタデータ） (2023-07-12T16:28:21Z)
• Continual Contrastive Finetuning Improves Low-Resource Relation Extraction [34.76128090845668]
  関係抽出は低リソースのシナリオやドメインでは特に困難である。 近年の文献は自己教師型学習によって低リソースREに取り組みつつある。 コントラスト学習の一貫した目的を用いたREモデルの事前学習と微調整を提案する。
  論文  参考訳（メタデータ） (2022-12-21T07:30:22Z)
• FOSTER: Feature Boosting and Compression for Class-Incremental Learning [52.603520403933985]
  ディープニューラルネットワークは、新しいカテゴリーを学ぶ際に破滅的な忘れ方に悩まされる。 本稿では,新たなカテゴリを適応的に学習するためのモデルとして,新しい2段階学習パラダイムFOSTERを提案する。
  論文  参考訳（メタデータ） (2022-04-10T11:38:33Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)
• Efficient Facial Feature Learning with Wide Ensemble-based Convolutional Neural Networks [20.09586211332088]
  畳み込みネットワークに基づく共有表現を用いたアンサンブル実験について述べる。 本研究では,ESRの分岐レベルを変化させることで,冗長性と計算負荷を劇的に低減できることを示す。 大規模なデータセットの実験では、ESRは残余の一般化誤差を減らすことが示唆されている。
  論文  参考訳（メタデータ） (2020-01-17T14:32:27Z)

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。