論文の概要: Understanding and Improving Features Learned in Deep Functional Maps
- arxiv url: http://arxiv.org/abs/2303.16527v1
- Date: Wed, 29 Mar 2023 08:32:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-30 15:38:53.571040
- Title: Understanding and Improving Features Learned in Deep Functional Maps
- Title（参考訳）: 深層機能マップで学んだ機能の理解と改善
- Authors: Souhaib Attaiki and Maks Ovsjanikov
- Abstract要約: より深い関数型マップアプローチで学習した特徴は、異なる形状のポイントワイド記述子として利用できることを示す。
本稿では,学習特徴の構造的特性を促進するため,標準的な深部関数型マップパイプラインを効果的に修正することを提案する。
- 参考スコア（独自算出の注目度）: 31.61255365182462
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep functional maps have recently emerged as a successful paradigm for
non-rigid 3D shape correspondence tasks. An essential step in this pipeline
consists in learning feature functions that are used as constraints to solve
for a functional map inside the network. However, the precise nature of the
information learned and stored in these functions is not yet well understood.
Specifically, a major question is whether these features can be used for any
other objective, apart from their purely algebraic role in solving for
functional map matrices. In this paper, we show that under some mild
conditions, the features learned within deep functional map approaches can be
used as point-wise descriptors and thus are directly comparable across
different shapes, even without the necessity of solving for a functional map at
test time. Furthermore, informed by our analysis, we propose effective
modifications to the standard deep functional map pipeline, which promote
structural properties of learned features, significantly improving the matching
results. Finally, we demonstrate that previously unsuccessful attempts at using
extrinsic architectures for deep functional map feature extraction can be
remedied via simple architectural changes, which encourage the theoretical
properties suggested by our analysis. We thus bridge the gap between intrinsic
and extrinsic surface-based learning, suggesting the necessary and sufficient
conditions for successful shape matching. Our code is available at
https://github.com/pvnieo/clover.
- Abstract（参考訳）: 深部関数写像は,最近,非剛性3次元形状対応タスクのパラダイムとして成功した。
このパイプラインの重要なステップは、ネットワーク内の関数マップを解決するための制約として使用される機能関数の学習である。
しかし、これらの機能で学習・蓄積された情報の正確な性質はまだよく分かっていない。
特に大きな疑問は、函数写像行列の解法における純粋に代数的な役割とは別に、これらの特徴が他の目的に利用できるかどうかである。
本稿では,いくつかの穏やかな条件下では,深層機能マップのアプローチで得られた特徴を,ポイント・アズ・デリプタとして用いることができ,テスト時に機能マップを解く必要がなくても,異なる形状と直接比較できることを示す。
さらに,本解析により,学習特徴の構造的特性を促進させ,マッチング結果を大幅に向上させる標準深層機能マップパイプラインの効果的な修正を提案する。
最後に,本研究で提案する理論的特性を奨励する単純なアーキテクチャ変更により,機能マップの深層抽出に従来未成功であった拡張的アーキテクチャの利用を改善できることを実証する。
そこで本研究では,内在的および外在的表面ベース学習のギャップを橋渡しし,形状マッチングを成功させるために必要かつ十分な条件を提案する。
私たちのコードはhttps://github.com/pvnieo/cloverで利用可能です。
関連論文リスト
- A Refreshed Similarity-based Upsampler for Direct High-Ratio Feature Upsampling [54.05517338122698]
本稿では,セマンティック・アウェアとディテール・アウェアの両方の観点から,明示的に制御可能なクエリキー機能アライメントを提案する。
また,モーザイクアーティファクトを緩和するのには単純だが有効であるHR特徴量に対して,きめ細かな近傍選択戦略を開発した。
提案するReSFUフレームワークは,異なるセグメンテーションアプリケーション上での良好な性能を一貫して達成する。
論文 参考訳（メタデータ） (2024-07-02T14:12:21Z) - Memory-Scalable and Simplified Functional Map Learning [32.088809326158554]
本稿では,メモリスケーラブルで効率的な関数型マップ学習パイプラインを提案する。
関数マップの構造を利用することで、メモリにポイントワイズマップを格納することなく、同じ結果が得られる可能性を提供します。
このアルゴリズムを後処理のステップで使用する多くの関数型マップ学習法とは異なり、列車時に簡単に利用できる。
論文 参考訳（メタデータ） (2024-03-30T12:01:04Z) - Sparse Feature Circuits: Discovering and Editing Interpretable Causal Graphs in Language Models [55.19497659895122]
本稿ではスパース特徴回路の発見と適用方法を紹介する。
これらは言語モデルの振る舞いを説明するための人間の解釈可能な特徴の因果関係の著作である。
論文 参考訳（メタデータ） (2024-03-28T17:56:07Z) - Deep Frequency-Aware Functional Maps for Robust Shape Matching [17.276162941967943]
本稿では、Deep Frequency-Aware Functional Mapと呼ばれる、教師なし学習に基づく新しいフレームワークを提案する。
まずスペクトルフィルタ演算子保存という一般制約を導入し,所望の関数写像を計算した。
次に,提案した制約を損失関数として直接利用して,関数写像,点写像,フィルタ関数を同時に監視する。
論文 参考訳（メタデータ） (2024-02-06T11:16:18Z) - Revisiting Map Relations for Unsupervised Non-Rigid Shape Matching [18.957179015912402]
非剛性3次元形状マッチングのための教師なし学習手法を提案する。
提案手法は,従来の最先端手法よりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2023-10-17T17:28:03Z) - Unsupervised Learning of Robust Spectral Shape Matching [12.740151710302397]
頑健な3次元形状マッチングのための新しい学習手法を提案する。
提案手法は, 深い関数型マップ上に構築され, 完全に教師なしの方法で訓練することができる。
論文 参考訳（メタデータ） (2023-04-27T02:12:47Z) - Neural Eigenfunctions Are Structured Representation Learners [93.53445940137618]
本稿ではニューラル固有写像という,構造化された適応長の深部表現を提案する。
本稿では,データ拡張設定における正の関係から固有関数が導出される場合,NeuralEFを適用することで目的関数が得られることを示す。
画像検索システムにおいて,適応長符号のような表現を用いることを実証する。
論文 参考訳（メタデータ） (2022-10-23T07:17:55Z) - Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。
IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。
提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
論文 参考訳（メタデータ） (2022-06-17T09:40:14Z) - Multiway Non-rigid Point Cloud Registration via Learned Functional Map
Synchronization [105.14877281665011]
我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。
提案手法は,登録精度において最先端の性能を達成できることを実証する。
論文 参考訳（メタデータ） (2021-11-25T02:37:59Z) - Correspondence Learning via Linearly-invariant Embedding [40.07515336866026]
データからベースを学習することで、堅牢性が向上し、挑戦的な設定において精度が向上することを示す。
提案手法は,非剛性な3Dポイントクラウド対応アプリケーションに挑戦する上で,最先端の成果を達成できることを実証する。
論文 参考訳（メタデータ） (2020-10-25T15:31:53Z) - Image Matching across Wide Baselines: From Paper to Practice [80.9424750998559]
局所的な特徴とロバストな推定アルゴリズムの包括的なベンチマークを導入する。
パイプラインのモジュール構造は、さまざまなメソッドの容易な統合、構成、組み合わせを可能にします。
適切な設定で、古典的な解決策は依然として芸術の知覚された状態を上回る可能性があることを示す。
論文 参考訳（メタデータ） (2020-03-03T15:20:57Z)
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。