Fugu-MT 論文翻訳(概要): Image Segmentation via Probabilistic Graph Matching

論文の概要: Image Segmentation via Probabilistic Graph Matching

arxiv url: http://arxiv.org/abs/2305.07954v1
Date: Sat, 13 May 2023 15:56:54 GMT
ステータス: 処理完了
システム内更新日: 2023-05-16 18:40:17.484926
Title: Image Segmentation via Probabilistic Graph Matching
Title（参考訳）: 確率的グラフマッチングによる画像分割
Authors: Ayelet Heimowitz and Yosi Keller
Abstract要約: 低レベルの画像キューを用いて計算された一意および対の割り当て確率に基づいて、セグメント化を推論問題として定式化する。提案手法は,現代の半教師付き・非教師付き画像分割方式と比較した。
参考スコア（独自算出の注目度）: 7.919213739992465
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This work presents an unsupervised and semi-automatic image segmentation approach where we formulate the segmentation as a inference problem based on unary and pairwise assignment probabilities computed using low-level image cues. The inference is solved via a probabilistic graph matching scheme, which allows rigorous incorporation of low level image cues and automatic tuning of parameters. The proposed scheme is experimentally shown to compare favorably with contemporary semi-supervised and unsupervised image segmentation schemes, when applied to contemporary state-of-the-art image sets.
Abstract（参考訳）: 本研究では,低レベル画像を用いて計算された不定値および一対割り当て確率に基づく推論問題としてセグメンテーションを定式化する,教師なしかつ半自動的な画像セグメンテーション手法を提案する。この推論は確率的グラフマッチングスキームによって解決され、低レベルの画像キューとパラメータの自動チューニングを厳密に組み込むことができる。提案手法は, 現代の最先端画像集合に適用した場合に, 半教師なし・非教師付き画像分割方式と良好に比較できることを示した。

関連論文リスト

Deep Clustering via Probabilistic Ratio-Cut Optimization [0.7366405857677227]
本稿では,二項代入を確率変数としてモデル化することで,グラフ比カットを最適化する新しい手法を提案する。オンライン環境における代入変数のパラメータを学習するために、予測比カットの上限と、その勾配の偏りのない推定値を提供する。
論文参考訳（メタデータ） (2025-02-05T17:47:53Z)
Freestyle Sketch-in-the-Loop Image Segmentation [116.1810651297801]
そこで我々は,視覚概念を部分的に,完全に,あるいはグループ化することで,視覚概念のセグメンテーションを可能にする,スケッチ・イン・ザ・ループ(sketch-in-the-loop)イメージセグメンテーションフレームワークを提案する。このフレームワークは、スケッチベースの画像検索モデルと大規模事前学習モデルとの相乗効果を生かしている。我々の目的による拡張戦略は、スケッチ誘導マスク生成の汎用性を高め、複数のレベルでセグメンテーションを可能にする。
論文参考訳（メタデータ） (2025-01-27T13:07:51Z)
Unsupervised Segmentation by Diffusing, Walking and Cutting [5.6872893893453105]
本稿では,事前学習したテキスト・画像拡散モデルの特徴を用いた教師なし画像分割手法を提案する。重要な洞察は、自己アテンション確率分布は、画像を横断するランダムウォーキングの遷移行列として解釈できることである。提案手法は,COCO-Stuff-27およびCityscapesにおける非教師なしセグメンテーションの既存手法を全て超越し,最先端の結果が得られることを示す。
論文参考訳（メタデータ） (2024-12-06T00:23:18Z)
A Semidefinite Relaxation Approach for Fair Graph Clustering [1.03590082373586]
本研究では、異なる影響原理の枠組みの中で、公正なグラフクラスタリングを導入する。我々は、基礎となる最適化問題を近似するために半定緩和法を用いる。
論文参考訳（メタデータ） (2024-10-19T22:51:24Z)
Learning to Annotate Part Segmentation with Gradient Matching [58.100715754135685]
本稿では,事前学習したGANを用いて,高品質な画像を生成することで,半教師付き部分分割タスクに対処することに焦点を当てる。特に、アノテータ学習を学習から学習までの問題として定式化する。提案手法は,実画像,生成された画像,さらには解析的に描画された画像を含む,幅広いラベル付き画像からアノテータを学習可能であることを示す。
論文参考訳（メタデータ） (2022-11-06T01:29:22Z)
Probabilistic Warp Consistency for Weakly-Supervised Semantic Correspondences [118.6018141306409]
本稿では,セマンティックマッチングのための弱教師付き学習目標である確率ワープ一貫性を提案する。まず、同じオブジェクトクラスの異なるインスタンスを表現したペアで、既知のワープを画像の1つに適用することで、画像トリプルを構築する。我々の目的はまた、キーポイントアノテーションと組み合わせることで、強く監督された体制を大幅に改善する。
論文参考訳（メタデータ） (2022-03-08T18:55:11Z)
Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文参考訳（メタデータ） (2021-12-15T01:45:32Z)
Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文参考訳（メタデータ） (2021-03-25T09:31:41Z)
Information-Theoretic Segmentation by Inpainting Error Maximization [30.520622129165456]
画像画素をフォアグラウンドとバックグラウンドにグループ化し,一方のセットの予測可能性を最小限に抑えることを目標とした。本手法はディープネットワークのトレーニングを含まず,計算量的に安価であり,クラス非依存であり,単一のラベルなし画像に対して単独で適用可能である。
論文参考訳（メタデータ） (2020-12-14T06:42:27Z)
Joint Estimation of Image Representations and their Lie Invariants [57.3768308075675]
画像は世界の状態とコンテンツの両方をエンコードする。この情報の自動抽出は、画像表現に固有の高次元かつ絡み合った符号化のために困難である。本稿では,これらの課題の解決を目的とした2つの理論的アプローチを紹介する。
論文参考訳（メタデータ） (2020-12-05T00:07:41Z)
Unsupervised Learning of Image Segmentation Based on Differentiable Feature Clustering [14.074732867392008]
本研究では、教師なし画像分割における畳み込みニューラルネットワーク(CNN)の利用について検討した。本稿では、正規化と、微分可能なクラスタリングのためのargmax関数からなる、教師なし画像セグメンテーションのエンドツーエンドネットワークを提案する。第3に,既存の手法よりも精度がよいユーザ入力として,スクリブルを用いたセグメント化手法の拡張を提案する。
論文参考訳（メタデータ） (2020-07-20T10:28:36Z)

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。