論文の概要: Thread Counting in Plain Weave for Old Paintings Using Semi-Supervised Regression Deep Learning Models

• arxiv url: http://arxiv.org/abs/2303.15999v3
• Date: Fri, 31 Mar 2023 07:54:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-03 10:39:13.741157
• Title: Thread Counting in Plain Weave for Old Paintings Using Semi-Supervised Regression Deep Learning Models
• Title（参考訳）: 半教師付き回帰深層学習モデルを用いた古絵画の平織りにおけるスレッドカウント
• Authors: A. D. Bejarano, Juan J. Murillo-Fuentes, and Laura Alba-Carcelen
• Abstract要約: 筆者らは, 深層学習に基づく回帰手法を開発し, 平織りキャンバス解析のためのスレッド密度推定を行う。 提案アルゴリズムの性能は,Ribera,Vel'azquez,Poussinの3つの手法を用いて解析し,従来の手法と比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this work, the authors develop regression approaches based on deep learning to perform thread density estimation for plain weave canvas analysis. Previous approaches were based on Fourier analysis, which is quite robust for some scenarios but fails in some others, in machine learning tools, that involve pre-labeling of the painting at hand, or the segmentation of thread crossing points, that provides good estimations in all scenarios with no need of pre-labeling. The segmentation approach is time-consuming as the estimation of the densities is performed after locating the crossing points. In this novel proposal, we avoid this step by computing the density of threads directly from the image with a regression deep learning model. We also incorporate some improvements in the initial preprocessing of the input image with an impact on the final error. Several models are proposed and analyzed to retain the best one. Furthermore, we further reduce the density estimation error by introducing a semi-supervised approach. The performance of our novel algorithm is analyzed with works by Ribera, Vel\'azquez, and Poussin where we compare our results to the ones of previous approaches. Finally, the method is put into practice to support the change of authorship or a masterpiece at the Museo del Prado.
• Abstract（参考訳）: 本研究では, 深層学習に基づく回帰手法を開発し, 平織りキャンバス解析のためのスレッド密度推定を行う。 以前のアプローチは、いくつかのシナリオでは非常に堅牢なFourier分析に基づくものだったが、他のいくつかのシナリオでは失敗している。例えば、手前の絵を事前にラベル付けする機械学習ツールや、事前にラベル付けする必要のないすべてのシナリオで優れた見積もりを提供するスレッド交差ポイントのセグメンテーションなどだ。 交差点を同定した後、密度の推定を行うため、セグメンテーションアプローチは時間を要する。 本稿では、回帰ディープラーニングモデルを用いて、画像から直接スレッドの密度を計算することにより、このステップを回避する。 また、入力画像の初期前処理にいくつかの改善を加え、最終的なエラーに影響を及ぼす。 いくつかのモデルが提案され、最良のモデルを維持するために分析されます。 さらに,半教師付きアプローチを導入することで,密度推定誤差をさらに低減する。 提案アルゴリズムの性能は,Ribera,Vel\azquez,Poussinの3つの手法を用いて解析し,従来の手法と比較した。 最後に、この手法は、プラド美術館の著者や傑作の変更を支援するために実践されている。

関連論文リスト

• EnsIR: An Ensemble Algorithm for Image Restoration via Gaussian Mixture Models [70.60381055741391]
  画像復元の課題は、説明された問題に関連し、単一のモデル予測と地道のずれをもたらす。 アンサンブル学習は、複数のベースモデルの予測を組み合わせることで、これらの偏差に対処することを目的としている。 我々は予測候補のアンサンブル重みを推定するために予測(EM)に基づくアルゴリズムを用いる。 我々のアルゴリズムは、モデルに依存しない訓練不要であり、様々なトレーニング済み画像復元モデルのシームレスな統合と強化を可能にする。
  論文  参考訳（メタデータ） (2024-10-30T12:16:35Z)
• DepthART: Monocular Depth Estimation as Autoregressive Refinement Task [2.3884184860468136]
  本稿では,視覚的自己回帰変換器に基づく最初の自己回帰深度推定モデルを提案する。 我々の主な貢献は、Depth Autoregressive Refinement Taskとして定式化された新しいトレーニング手法であるDepthARTである。 実験により,提案手法は,奥行き推定タスクにおいて,次のスケールの予測によって視覚自己回帰モデルを大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2024-09-23T13:36:34Z)
• Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
  近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。 我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。 限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
  論文  参考訳（メタデータ） (2023-11-30T18:59:44Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• A Deep Active Contour Model for Delineating Glacier Calving Fronts [17.061463565692456]
  近年の研究では、エッジ検出とセグメンテーションを組み合わせることで、前部検出器の加工精度が向上することが示されている。 中間段階として高密度な予測を組み込まない明示的輪郭検出モデルを提案する。 提案手法はCOBRA(Charting Outlines by Recurrent Adaptation')と呼ばれ、特徴抽出のための畳み込みニューラルネットワーク(CNN)と、デラインのためのアクティブな輪郭モデルを組み合わせたものである。
  論文  参考訳（メタデータ） (2023-07-07T08:45:46Z)
• Disentangled Pre-training for Image Matting [74.10407744483526]
  画像マッチングは、深層モデルのトレーニングをサポートするために高品質なピクセルレベルの人間のアノテーションを必要とする。 本研究では、無限個のデータを活用する自己教師付き事前学習手法を提案し、マッチング性能を向上する。
  論文  参考訳（メタデータ） (2023-04-03T08:16:02Z)
• Fast post-process Bayesian inference with Variational Sparse Bayesian Quadrature [13.36200518068162]
  本稿では,既存の目標密度評価から高速な後続近似を得る手段として,プロセス後ベイズ推定の枠組みを提案する。 この枠組みでは,ブラックボックスと潜在的ノイズの可能性のあるモデルに対して,プロセス後近似推定法である変分スパースベイズ近似(VSBQ)を導入する。 本手法は,計算神経科学による難解な合成シナリオと実世界の応用について検証する。
  論文  参考訳（メタデータ） (2023-03-09T13:58:35Z)
• Importance Weighted Structure Learning for Scene Graph Generation [40.46394569128303]
  本稿では,シーングラフ生成のための重み付き構造学習手法を提案する。 結果として生じる制約付き変動推論タスクを解決するために、一般的なエントロピーミラー降下アルゴリズムを適用した。 提案手法は,様々な人気シーングラフ生成ベンチマークにおいて,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-05-14T09:25:14Z)
• Unsupervised Deep Learning Meets Chan-Vese Model [77.24463525356566]
  本稿では,Chan-Vese(CV)モデルとディープニューラルネットワークを統合した教師なしのイメージセグメンテーション手法を提案する。 私たちの基本的な考え方は、イメージを潜伏空間にマッピングするディープニューラルネットワークを適用して、画像空間における断片的な定数仮定の違反を軽減することです。
  論文  参考訳（メタデータ） (2022-04-14T13:23:57Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。