Fugu-MT 論文翻訳(概要): Image Reconstruction using Superpixel Clustering and Tensor Completion

論文の概要: Image Reconstruction using Superpixel Clustering and Tensor Completion

arxiv url: http://arxiv.org/abs/2305.09564v1
Date: Tue, 16 May 2023 16:00:48 GMT
ステータス: 処理完了
システム内更新日: 2023-05-17 14:11:01.653080
Title: Image Reconstruction using Superpixel Clustering and Tensor Completion
Title（参考訳）: 超画素クラスタリングとテンソル補完を用いた画像再構成
Authors: Maame G. Asante-Mensah, Anh Huy Phan, Salman Ahmadi-Asl, Zaher Al Aghbari and Andrzej Cichocki
Abstract要約: 本手法では,重要なテクスチャやセマンティクスを捉えた複数の領域に分割し,各領域から代表画素を選択して保存する。本稿では,2つのスムーズなテンソル補完アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 21.088385725444944
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents a pixel selection method for compact image representation based on superpixel segmentation and tensor completion. Our method divides the image into several regions that capture important textures or semantics and selects a representative pixel from each region to store. We experiment with different criteria for choosing the representative pixel and find that the centroid pixel performs the best. We also propose two smooth tensor completion algorithms that can effectively reconstruct different types of images from the selected pixels. Our experiments show that our superpixel-based method achieves better results than uniform sampling for various missing ratios.
Abstract（参考訳）: 本稿では,超画素分割とテンソル補完に基づくコンパクト画像表現のための画素選択法を提案する。本手法では,重要なテクスチャやセマンティクスを捉えた複数の領域に分割し,各領域から代表画素を選択して保存する。我々は代表画素を選択するための異なる基準を試行し、セントロイド画素が最良であることを示す。また,選択した画素から異なる種類の画像を効果的に再構成できる2つの滑らかなテンソル補完アルゴリズムを提案する。提案手法は,様々な欠落率の均一サンプリングよりも優れた結果が得られることを示す。

関連論文リスト

Superpixels algorithms through network community detection [0.0]
コミュニティ検出は複雑なネットワーク分析の強力なツールであり、様々な研究分野の応用を見出すことができる。スーパーピクセルは、可能な限りオリジナル情報を保存しながら、画像をより小さなレベルで表現することを目的としている。 4つの連結画素グラフ上で,最先端のコミュニティ検出アルゴリズムによって計算されたスーパーピクセルの効率について検討した。
論文参考訳（メタデータ） (2023-08-27T13:13:28Z)
Probabilistic Deep Metric Learning for Hyperspectral Image Classification [91.5747859691553]
本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
論文参考訳（メタデータ） (2022-11-15T17:57:12Z)
Saliency Enhancement using Superpixel Similarity [77.34726150561087]
Saliency Object Detection (SOD) は画像解析にいくつかの応用がある。深層学習に基づくSOD法は最も効果的であるが、類似した色を持つ前景の部品を見逃すことがある。スーパーピクセル類似性(SESS)に対するtextitSaliency Enhancement というポストプロセッシング手法を導入する。我々は,SESSが5つの画像データセット上での3つのディープラーニングに基づくSOD手法の結果を連続的に,かつ著しく改善できることを実証した。
論文参考訳（メタデータ） (2021-12-01T17:22:54Z)
Implicit Integration of Superpixel Segmentation into Fully Convolutional Networks [11.696069523681178]
スーパーピクセル方式をCNNに暗黙的に統合する方法を提案する。提案手法では,下地層に画素を階層的にグループ化し,スーパーピクセルを生成する。本手法は,セマンティックセグメンテーション,スーパーピクセルセグメンテーション,モノクル深度推定などのタスクで評価する。
論文参考訳（メタデータ） (2021-03-05T02:20:26Z)
Superpixel Segmentation Based on Spatially Constrained Subspace Clustering [57.76302397774641]
独立意味情報を持つ各代表領域を部分空間とみなし,部分空間クラスタリング問題としてスーパーピクセルセグメンテーションを定式化する。従来のサブスペースクラスタリングとスーパーピクセルセグメンテーションの簡単な統合は,画素の空間相関のために効果的に機能しないことを示す。本稿では,空間隣接画素に類似の属性を付加してスーパーピクセルにクラスタリング可能な,凸局所性制約付きサブスペースクラスタリングモデルを提案する。
論文参考訳（メタデータ） (2020-12-11T06:18:36Z)
Spatially-Adaptive Pixelwise Networks for Fast Image Translation [57.359250882770525]
高速かつ効率的な画像-画像変換を目的とした新しいジェネレータアーキテクチャを提案する。私たちはピクセルワイズネットワークを使用します。つまり、各ピクセルは他のピクセルとは独立して処理されます。私たちのモデルは最先端のベースラインよりも最大18倍高速です。
論文参考訳（メタデータ） (2020-12-05T10:02:03Z)
Superpixel Based Graph Laplacian Regularization for Sparse Hyperspectral Unmixing [1.14219428942199]
画像境界を考慮した超画素分割アルゴリズムを用いて同質領域を抽出する。まず、各スーパーピクセルの重み付きグラフを、各スーパーピクセルで$K$-nearest ピクセルを選択して構築する。グラフラプラシア正規化を用いて空間的類似性を検討した。
論文参考訳（メタデータ） (2020-07-28T07:30:50Z)
ITSELF: Iterative Saliency Estimation fLexible Framework [68.8204255655161]
機密度オブジェクト検出は、画像で最も顕著なオブジェクトを推定する。我々は,ユーザ定義の仮定をモデルに追加できる,スーパーピクセルベースのITELF(ITSELF)を提案する。 ITSELFを5つのメトリクスと6つのデータセットで2つの最先端の精度推定器と比較する。
論文参考訳（メタデータ） (2020-06-30T16:51:31Z)
Probabilistic Color Constancy [88.85103410035929]
我々は、異なる画像領域の寄与を重み付けすることで、シーンの照度を推定するためのフレームワークを定義する。提案手法は,INTEL-TAUデータセット上での最先端技術と比較して,競合性能を実現する。
論文参考訳（メタデータ） (2020-05-06T11:03:05Z)
Texture Superpixel Clustering from Patch-based Nearest Neighbor Matching [2.84279467589473]
そこで本研究では,テクスチャ対応のスーパーピクセルを限られた計算時間で生成する,Nearest Neighbor-based Superpixel Clustering (NNSC)法を提案する。
論文参考訳（メタデータ） (2020-03-09T21:11:21Z)
Superpixel Segmentation via Convolutional Neural Networks with Regularized Information Maximization [11.696069523681178]
ランダムd畳み込みニューラルネットワーク(CNN)を推論時間で最適化し,教師なしのスーパーピクセルセグメンテーション手法を提案する。提案手法は,スーパーピクセルセグメンテーションの目的関数を最小化することにより,ラベルのない単一画像からCNNを介してスーパーピクセルを生成する。
論文参考訳（メタデータ） (2020-02-17T04:32:03Z)

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。