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

• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• GASE: Graph Attention Sampling with Edges Fusion for Solving Vehicle Routing Problems [6.084414764415137]
  車両のルーティング問題を解決するためにEdges Fusionフレームワークを用いた適応型グラフ注意サンプリングを提案する。 提案手法は,既存の手法を2.08%-6.23%上回り,より強力な一般化能力を示す。
  論文  参考訳（メタデータ） (2024-05-21T03:33:07Z)
• Unveiling the Anomalies in an Ever-Changing World: A Benchmark for Pixel-Level Anomaly Detection in Continual Learning [4.790817958353412]
  連続学習環境における画素レベル異常検出の問題点について検討する。 新しいデータは時間とともに到着し、新しいデータや古いデータでうまく機能することがゴールだ。 アプローチを検証するために、ピクセルベースの異常のある実世界の画像データセットを使用する。
  論文  参考訳（メタデータ） (2024-03-19T15:53:57Z)
• 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)
• 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)
• 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)
• Learning to Detect Critical Nodes in Sparse Graphs via Feature Importance Awareness [53.351863569314794]
  クリティカルノード問題(CNP)は、削除が残余ネットワークのペア接続性を最大に低下させるネットワークから臨界ノードの集合を見つけることを目的としている。 本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。 ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
  論文  参考訳（メタデータ） (2021-12-03T14:23:05Z)
• 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)

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。