論文の概要: Shi-NeSS: Detecting Good and Stable Keypoints with a Neural Stability Score

• arxiv url: http://arxiv.org/abs/2307.01069v1
• Date: Mon, 3 Jul 2023 14:50:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-05 12:40:48.057189
• Title: Shi-NeSS: Detecting Good and Stable Keypoints with a Neural Stability Score
• Title（参考訳）: shi-ness: ニューラル安定性スコアによる良好かつ安定したキーポイントの検出
• Authors: Konstantin Pakulev, Alexander Vakhitov, Gonzalo Ferrer
• Abstract要約: 我々は、Shi検出器によって提供される原則および局所化キーポイントの上に構築し、ニューラルネットワークによって回帰されたキーポイント安定性スコアを用いて、それらの選択を行う。 We evaluate Shi-NeSS on HPatches, ScanNet, MegaDepth and IMC-PT。
• 参考スコア（独自算出の注目度）: 73.91231776658375
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning a feature point detector presents a challenge both due to the ambiguity of the definition of a keypoint and correspondingly the need for a specially prepared ground truth labels for such points. In our work, we address both of these issues by utilizing a combination of a hand-crafted Shi detector and a neural network. We build on the principled and localized keypoints provided by the Shi detector and perform their selection using the keypoint stability score regressed by the neural network - Neural Stability Score (NeSS). Therefore, our method is named Shi-NeSS since it combines the Shi detector and the properties of the keypoint stability score, and it only requires for training sets of images without dataset pre-labeling or the need for reconstructed correspondence labels. We evaluate Shi-NeSS on HPatches, ScanNet, MegaDepth and IMC-PT, demonstrating state-of-the-art performance and good generalization on downstream tasks.
• Abstract（参考訳）: 特徴点検出器の学習は、キーポイントの定義の曖昧さとそれに対応するために特別に作成された基底真理ラベルの必要性の両方から課題を提示する。 本研究では,手作りのshi検出器とニューラルネットワークを組み合わせることで,これらの問題を両立する。 我々は、Shi検出器が提供する原則および局所化キーポイントの上に構築し、ニューラルネットワーク - Neural Stability Score (NeSS) によって回帰されたキーポイント安定性スコアを用いて、それらの選択を行う。 したがって、shi検出器とキーポイント安定性スコアの特性を組み合わせることで、データセットを事前にラベル付けせずに画像のトレーニングや、再構成された対応ラベルが必要となるため、shinessと名づける。 我々は,hpatches,scannet,megadepth,imc-ptのshiネスを評価し,最先端の性能と下流タスクの優れた一般化を示した。

関連論文リスト

• Feature Selection for Network Intrusion Detection [3.7414804164475983]
  本稿では,ネットワーク侵入を検出する際に,非情報的特徴の排除を容易にする情報理論を提案する。 提案手法は,ニューラルネットワークを用いた関数近似に基づいて,再帰層を組み込んだアプローチのバージョンを実現する。
  論文  参考訳（メタデータ） (2024-11-18T14:25:55Z)
• Certifying Robustness of Learning-Based Keypoint Detection and Pose Estimation Methods [9.953693315812995]
  この研究は、視覚に基づく2段階の6次元オブジェクトポーズ推定の堅牢性の証明に対処する。 中心となる考え方は、ローカルロバストネスの認定を、分類タスクのニューラルネットワーク検証に変換することである。
  論文  参考訳（メタデータ） (2024-07-31T19:02:54Z)
• Learning to Make Keypoints Sub-Pixel Accurate [80.55676599677824]
  本研究は,2次元局所特徴の検出におけるサブピクセル精度の課題に対処する。 本稿では,検出された特徴に対するオフセットベクトルを学習することにより,サブピクセル精度で検出器を拡張できる新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2024-07-16T12:39:56Z)
• MLSTL-WSN: Machine Learning-based Intrusion Detection using SMOTETomek in WSNs [3.887356044145916]
  無線センサネットワーク(WSN)は、静止センサーと移動センサの両方を含むインフラとして重要な役割を担っている。 既存のWSNの侵入検知方法は、低検出率、計算オーバーヘッド、誤警報などの問題に遭遇する。 本稿では,機械学習(ML)技術とSMOTE-TomekLink(Synthetic Minority Oversampling Technique Tomek Link)アルゴリズムを融合した,革新的な侵入検出手法を提案する。 このブレンドはマイノリティなインスタンスを合成し、Tomekリンクを排除し、結果としてバランスの取れたデータセットがWSNの検出精度を大幅に向上する。
  論文  参考訳（メタデータ） (2024-02-17T18:04:08Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Learning Feature Matching via Matchable Keypoint-Assisted Graph Neural Network [52.29330138835208]
  画像のペア間の局所的な特徴の正確なマッチングは、コンピュータビジョンの課題である。 従来の研究では、注意に基づくグラフニューラルネットワーク(GNN)と、画像内のキーポイントに完全に接続されたグラフを使用するのが一般的だった。 本稿では,非繰り返しキーポイントをバイパスし,マッチング可能なキーポイントを利用してメッセージパッシングを誘導する,疎注意に基づくGNNアーキテクチャであるMaKeGNNを提案する。
  論文  参考訳（メタデータ） (2023-07-04T02:50:44Z)
• SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object Detection [78.90102636266276]
  SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。 そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。 実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
  論文  参考訳（メタデータ） (2022-01-06T08:54:47Z)
• Few-shot Keypoint Detection with Uncertainty Learning for Unseen Species [28.307200505494126]
  本稿では,様々な種類のキーポイントを検出可能な汎用Few-shot Keypoint Detection (FSKD) パイプラインを提案する。 FSKDは主および補助的キーポイント表現学習、類似性学習、キーポイントローカライゼーションを含む。 FSKDが未確認種に対する新規キーポイント検出および(ii)FGVRおよび(iii)Semantic Alignment(SA)下流タスクに対する有効性を示した。
  論文  参考訳（メタデータ） (2021-12-12T08:39:47Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)

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。