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
- 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) - Post-Processing Temporal Action Detection [134.26292288193298]
時間的行動検出(TAD)法は、通常、入力された可変長のビデオを固定長のスニペット表現シーケンスに変換する際に、前処理のステップを踏む。
この前処理ステップは、ビデオを時間的にダウンサンプリングし、推論の解像度を低減し、元の時間分解における検出性能を阻害する。
モデルの再設計や再学習を伴わない新しいモデル非依存のポストプロセッシング手法を提案する。
論文 参考訳(メタデータ) (2022-11-27T19:50:37Z) - 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) - Deep Learning based Novel View Synthesis [18.363945964373553]
本稿では,与えられた画像の集合からシーンの新たなビューを予測することを学ぶディープ畳み込みニューラルネットワーク(CNN)を提案する。
従来の深層学習に基づくアプローチと比較して、新しいビューを予測するために一定数の入力画像しか処理できないのに対し、提案手法は異なる入力画像で機能する。
論文 参考訳(メタデータ) (2021-07-14T16:15:36Z) - Last Layer Marginal Likelihood for Invariance Learning [12.00078928875924]
我々は、より大きな確率関数のクラスに対する推論を行うことができるような、限界確率に対する新しい下界を導入する。
我々は、最後の層にガウス的プロセスを持つアーキテクチャを使用することで、このアプローチをニューラルネットワークに導入することに取り組んでいます。
論文 参考訳(メタデータ) (2021-06-14T15:40:51Z) - Confidence Adaptive Anytime Pixel-Level Recognition [86.75784498879354]
任意の時間推論は、いつでも停止される可能性のある予測の進行を行うモデルを必要とする。
我々は,任意のピクセルレベルの認識に対して,最初の統一とエンドツーエンドのモデルアプローチを提案する。
論文 参考訳(メタデータ) (2021-04-01T20:01:57Z) - 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。