論文の概要: Lessons Learned Report: Super-Resolution for Detection Tasks in
Engineering Problem-Solving
- arxiv url: http://arxiv.org/abs/2303.00364v1
- Date: Wed, 1 Mar 2023 09:45:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-02 15:15:10.100931
- Title: Lessons Learned Report: Super-Resolution for Detection Tasks in
Engineering Problem-Solving
- Title(参考訳): エンジニアリング問題解決における検出タスクの超解像
- Authors: Martin Feder, Michal Horovitz, Assaf Chen, Raphael Linker, Ofer M.
Shir
- Abstract要約: 本稿では、機械学習に基づく超解法アプローチを用いて、農業検出問題解決のターゲットから学んだ教訓について述べる。
超高解像度アルゴリズムは、ジェネリック写真における様々な魅力的な特徴を強化する能力でブランド化されている。
特定のデータ駆動ケーススタディを提示することにより、アグロ検出問題に対する超解像アルゴリズムの展開に関する一連の制限と勧告を概説する。
- 参考スコア(独自算出の注目度): 3.7798600249187295
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We describe the lessons learned from targeting agricultural detection
problem-solving, when subject to low resolution input maps, by means of Machine
Learning-based super-resolution approaches. The underlying domain is the
so-called agro-detection class of problems, and the specific objective is to
learn a complementary ensemble of sporadic input maps. While super-resolution
algorithms are branded with the capacity to enhance various attractive features
in generic photography, we argue that they must meet certain requirements, and
more importantly, that their outcome does not necessarily guarantee an
improvement in engineering detection problem-solving (unlike so-called
aesthetics/artistic super-resolution in ImageNet-like datasets). By presenting
specific data-driven case studies, we outline a set of limitations and
recommendations for deploying super-resolution algorithms for agro-detection
problems. Another conclusion states that super-resolution algorithms can be
used for learning missing spectral channels, and that their usage may result in
some desired side-effects such as channels' synchronization.
- Abstract(参考訳): 機械学習に基づく超解法アプローチを用いて、低解像度の入力マップを対象とする農業検出問題解決から学んだ教訓について述べる。
基礎となる領域はいわゆるアグロ検出問題クラスであり、特定の目的は散発的な入力写像の相補的なアンサンブルを学ぶことである。
超解像アルゴリズムは、ジェネリックフォトグラフィーにおける様々な魅力的な機能を強化する能力でブランド化されているが、それらには特定の要件を満たさなければならず、より重要なことは、その成果が必ずしもエンジニアリング検出の問題解決の改善を保証していないことである(imagenetライクなデータセットにおけるいわゆる美学/人工的超解像とは違って)。
特定のデータ駆動ケーススタディを提示することにより、アグロ検出問題に対する超解像アルゴリズムの展開に関する一連の制限と勧告を概説する。
もう1つの結論は、超解像アルゴリズムは失われたスペクトルチャネルの学習に使われ、それらの使用はチャネルの同期のような望ましい副作用をもたらす可能性がある、ということである。
関連論文リスト
- A Novel Differentiable Loss Function for Unsupervised Graph Neural
Networks in Graph Partitioning [5.22145960878624]
グラフ分割問題はNPハードプロブレムとして認識される。
グラフ分割問題を解決するために,教師なしグラフニューラルネットワークを用いた新しいパイプラインを導入する。
我々は、現代の最先端技術に対する我々の方法論を厳格に評価し、メトリクス(カットとバランス)に重点を置いています。
論文 参考訳(メタデータ) (2023-12-11T23:03:17Z) - An Operator Learning Framework for Spatiotemporal Super-resolution of
Scientific Simulations [4.632232395989182]
Super Resolution Operator Network (SRNet) は、演算子学習問題として超解像を扱う。
低分解能近似からパラメトリック微分方程式の連続表現を学ぶために、既存の演算子学習問題から着想を得ている。
低分解能近似が提供されるセンサーの位置に制限は課されない。
論文 参考訳(メタデータ) (2023-11-04T05:33:23Z) - Two Approaches to Supervised Image Segmentation [55.616364225463066]
本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。
ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。
代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
論文 参考訳(メタデータ) (2023-07-19T16:42:52Z) - Super-Resolving Face Image by Facial Parsing Information [52.1267613768555]
顔超解像は、低解像度の顔画像を対応する高解像度の画像に変換する技術である。
我々は,低解像度の顔画像から先行する顔を抽出する,新しい解析マップ付き顔超解像ネットワークを構築した。
高解像度特徴はより正確な空間情報を含み、低解像度特徴は強い文脈情報を提供する。
論文 参考訳(メタデータ) (2023-04-06T08:19:03Z) - Ideal Abstractions for Decision-Focused Learning [108.15241246054515]
本稿では,決定関連情報の損失を最小限に抑えるために,出力空間を自動的に構成する手法を提案する。
本手法は,ディープニューラルネットワークトレーニングのためのデータ取得と,閉ループ山火事管理タスクの2つの領域で実証する。
論文 参考訳(メタデータ) (2023-03-29T23:31:32Z) - Multi-Resource Allocation for On-Device Distributed Federated Learning
Systems [79.02994855744848]
本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。
システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
論文 参考訳(メタデータ) (2022-11-01T14:16:05Z) - Toward an ImageNet Library of Functions for Global Optimization
Benchmarking [0.0]
本研究では,認識問題を画像認識問題に変換することを提案する。
教師付きマルチクラス画像認識問題として対処し、基本的ニューラルネットワークモデルを適用して解決する。
この明らかに成功した学習は、自動特徴抽出とBBO問題の局所構造推論への別のステップである。
論文 参考訳(メタデータ) (2022-06-27T21:05:00Z) - Multi-Scale Aligned Distillation for Low-Resolution Detection [68.96325141432078]
本稿では,高分解能モデルや多分解能モデルから知識を抽出することで,低分解能モデルの性能を向上させることに焦点を当てる。
いくつかのインスタンスレベルの検出タスクとデータセットにおいて,本手法を用いて訓練された低解像度モデルと,従来のマルチスケールトレーニングによる訓練された高解像度モデルとを競合的に処理する。
論文 参考訳(メタデータ) (2021-09-14T12:53:35Z) - Hierarchical Deep CNN Feature Set-Based Representation Learning for
Robust Cross-Resolution Face Recognition [59.29808528182607]
クロスリゾリューション顔認識(CRFR)は、インテリジェントな監視およびバイオメトリックフォレンジックにおいて重要である。
既存の浅層学習と深層学習に基づく手法は、HR-LR対を共同特徴空間にマッピングすることに焦点を当てている。
本研究では,多レベル深層畳み込みニューラルネットワーク(CNN)の機能を完全に活用し,堅牢なCRFRを実現することを目的とする。
論文 参考訳(メタデータ) (2021-03-25T14:03:42Z) - Analysis and evaluation of Deep Learning based Super-Resolution
algorithms to improve performance in Low-Resolution Face Recognition [0.0]
超解像アルゴリズムは、関係する被験者の識別特性を回復することができる。
このプロジェクトは、顔の超解像のタスクのための異なるディープニューラルネットワークアーキテクチャを評価し、適応することを目的とした。
実験により、一般的なスーパーレゾリューションアーキテクチャは、高レゾリューション顔で訓練されたディープニューラルネットワークのフェイス検証性能を向上させることが判明した。
論文 参考訳(メタデータ) (2021-01-19T02:41:57Z) - Video Anomaly Detection by Estimating Likelihood of Representations [21.879366166261228]
ビデオ異常は、モーション表現、オブジェクトのローカライゼーション、アクション認識など、多くのサブタスクを解決するため、困難なタスクである。
伝統的に、この課題に対する解決策は、これらの特徴の空間的接続を無視しながら、ビデオフレームとその低次元特徴のマッピングに焦点を当ててきた。
最近のソリューションでは、K-Meansのようなハードクラスタリング技術を用いてこれらの空間的接続を分析することや、潜伏した特徴を一般的な理解にマップするためにニューラルネットワークを適用することに焦点を当てている。
潜在特徴空間における映像異常を解決するために,このタスクを密度推定問題に転送するための深い確率モデルを提案する。
論文 参考訳(メタデータ) (2020-12-02T19:16:22Z)
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。