論文の概要: Minimum Description Length Clustering to Measure Meaningful Image
Complexity
- arxiv url: http://arxiv.org/abs/2306.14937v3
- Date: Sat, 19 Aug 2023 07:48:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-24 17:46:43.167972
- Title: Minimum Description Length Clustering to Measure Meaningful Image
Complexity
- Title(参考訳): 画像の複雑さを計測する最小記述長クラスタリング
- Authors: Louis Mahon, Thomas Lukasiewicz
- Abstract要約: 本稿では,階層的なパッチクラスタリングによる画像複雑性の指標を提案する。
最小記述長の原理を用いて、クラスタ数を決定し、特定の点を外れ値として指定し、ホワイトノイズを低いスコアに正しく割り当てる。
- 参考スコア(独自算出の注目度): 65.268245109828
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing image complexity metrics cannot distinguish meaningful content from
noise. This means that white noise images, which contain no meaningful
information, are judged as highly complex. We present a new image complexity
metric through hierarchical clustering of patches. We use the minimum
description length principle to determine the number of clusters and designate
certain points as outliers and, hence, correctly assign white noise a low
score. The presented method has similarities to theoretical ideas for measuring
meaningful complexity. We conduct experiments on seven different sets of
images, which show that our method assigns the most accurate scores to all
images considered. Additionally, comparing the different levels of the
hierarchy of clusters can reveal how complexity manifests at different scales,
from local detail to global structure. We then present ablation studies showing
the contribution of the components of our method, and that it continues to
assign reasonable scores when the inputs are modified in certain ways,
including the addition of Gaussian noise and the lowering of the resolution.
- Abstract(参考訳): 既存の画像複雑性指標は、有意義なコンテンツとノイズを区別できない。
これは、意味のある情報を含まないホワイトノイズ画像は、非常に複雑であると判断されることを意味する。
本稿では,パッチの階層的クラスタリングによる画像複雑性指標を提案する。
最小記述長の原理を用いて、クラスタ数を決定し、特定の点を外れ値として指定し、ホワイトノイズを低いスコアに正しく割り当てる。
提案手法は有意義な複雑性を測定するための理論的アイデアと類似性を有する。
我々は,7種類の異なる画像に対して実験を行い,最も正確なスコアを考慮されたすべての画像に割り当てることを示す。
さらに、クラスタ階層の異なるレベルを比較することで、ローカルディテールからグローバル構造まで、さまざまなスケールで複雑さがどのように現れるかが分かる。
次に,本手法の成分の寄与を示すアブレーション研究を行い,ガウス雑音の付加や分解能の低下など,入力が特定の方法で修正された場合でも妥当なスコアを付与し続けていることを示す。
関連論文リスト
- Contrastive Mean-Shift Learning for Generalized Category Discovery [45.19923199324919]
一般化圏発見(GCD)の問題に対処する。
我々は平均シフトアルゴリズム、すなわちモード探索のための強力な手法を再検討し、これを対照的な学習フレームワークに組み込む。
提案手法はContrastive Mean-Shift(CMS)学習と呼ばれ,より優れたクラスタリング特性を持つ表現を生成するためにイメージエンコーダを訓練する。
論文 参考訳(メタデータ) (2024-04-15T04:31:24Z) - Multi-Granularity Denoising and Bidirectional Alignment for Weakly
Supervised Semantic Segmentation [75.32213865436442]
本稿では,雑音ラベルと多クラス一般化問題を緩和するために,MDBAモデルを提案する。
MDBAモデルはPASCAL VOC 2012データセットの検証とテストセットにおいて69.5%と70.2%のmIoUに達することができる。
論文 参考訳(メタデータ) (2023-05-09T03:33:43Z) - 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) - MD-Net: Multi-Detector for Local Feature Extraction [0.0]
本稿では,各画像におけるキーポイントの相補的な集合を予め定義した数で検出できるディープ特徴抽出ネットワークを提案する。
我々は、キーポイントを予測するためにネットワークをトレーニングし、対応するディスクリプタを共同で計算する。
広範にわたる実験により,我々のネットワークは,合成的に歪んだ画像のみに基づいて訓練され,3次元再構成と再局在化タスクにおける競合的な結果が得られた。
論文 参考訳(メタデータ) (2022-08-10T13:52:31Z) - Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。
事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。
識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
論文 参考訳(メタデータ) (2022-07-19T14:35:42Z) - Exploring Set Similarity for Dense Self-supervised Representation
Learning [96.35286140203407]
本研究では,高密度自己教師型表現学習のためのtextbfset textbfsimilarity (SetSim) を提案する。
ピクセルワイドの類似性学習をセットワイドに一般化し,よりセマンティックな情報や構造的な情報を含むため,ロバスト性を向上させる。
具体的には、ビューの注意的特徴に頼って対応する集合を定め、不適切な対応を引き起こす可能性のあるノイズの多い背景をフィルタリングする。
論文 参考訳(メタデータ) (2021-07-19T09:38:27Z) - Grafit: Learning fine-grained image representations with coarse labels [114.17782143848315]
本稿では,学習ラベルの提供するものよりも細かな表現を学習する問題に対処する。
粗いラベルと下層の細粒度潜在空間を併用することにより、カテゴリレベルの検索手法の精度を大幅に向上させる。
論文 参考訳(メタデータ) (2020-11-25T19:06:26Z) - Realizing Pixel-Level Semantic Learning in Complex Driving Scenes based
on Only One Annotated Pixel per Class [17.481116352112682]
本稿では,複雑な運転シーン下でのセマンティックセマンティックセマンティクスタスクを提案する。
3段階のプロセスは擬似ラベル生成のために構築され、各カテゴリに最適な特徴表現を徐々に実装する。
Cityscapesデータセットの実験は、提案手法が弱教師付きセマンティックセマンティックセマンティクスタスクを解決するための実現可能な方法であることを示した。
論文 参考訳(メタデータ) (2020-03-10T12:57:55Z)
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。