論文の概要: A Deep Active Contour Model for Delineating Glacier Calving Fronts

• arxiv url: http://arxiv.org/abs/2307.03461v1
• Date: Fri, 7 Jul 2023 08:45:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-10 12:59:41.126231
• Title: A Deep Active Contour Model for Delineating Glacier Calving Fronts
• Title（参考訳）: 氷河養生前線の深部活動輪郭モデル
• Authors: Konrad Heidler, Lichao Mou, Erik Loebel, Mirko Scheinert, S\'ebastien Lef\`evre, Xiao Xiang Zhu
• Abstract要約: 近年の研究では、エッジ検出とセグメンテーションを組み合わせることで、前部検出器の加工精度が向上することが示されている。 中間段階として高密度な予測を組み込まない明示的輪郭検出モデルを提案する。 提案手法はCOBRA(Charting Outlines by Recurrent Adaptation')と呼ばれ、特徴抽出のための畳み込みニューラルネットワーク(CNN)と、デラインのためのアクティブな輪郭モデルを組み合わせたものである。
• 参考スコア（独自算出の注目度）: 17.061463565692456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Choosing how to encode a real-world problem as a machine learning task is an important design decision in machine learning. The task of glacier calving front modeling has often been approached as a semantic segmentation task. Recent studies have shown that combining segmentation with edge detection can improve the accuracy of calving front detectors. Building on this observation, we completely rephrase the task as a contour tracing problem and propose a model for explicit contour detection that does not incorporate any dense predictions as intermediate steps. The proposed approach, called ``Charting Outlines by Recurrent Adaptation'' (COBRA), combines Convolutional Neural Networks (CNNs) for feature extraction and active contour models for the delineation. By training and evaluating on several large-scale datasets of Greenland's outlet glaciers, we show that this approach indeed outperforms the aforementioned methods based on segmentation and edge-detection. Finally, we demonstrate that explicit contour detection has benefits over pixel-wise methods when quantifying the models' prediction uncertainties. The project page containing the code and animated model predictions can be found at \url{https://khdlr.github.io/COBRA/}.
• Abstract（参考訳）: 機械学習タスクとして現実の問題をエンコードする方法を選択することは、機械学習における重要な設計決定である。 氷河カルビングフロントモデリングの課題はセマンティックセグメンテーションの課題としてしばしばアプローチされてきた。 近年の研究では、セグメンテーションとエッジ検出を組み合わせることで、前方検出装置の精度を向上させることが示されている。 本報告では,この課題を輪郭追跡問題として完全に表現し,中間段階として高密度な予測を含まない明示的な輪郭検出モデルを提案する。 提案手法は '`Charting Outlines by Recurrent Adaptation' (COBRA) と呼ばれ,特徴抽出のための畳み込みニューラルネットワーク (CNN) とデラインのためのアクティブな輪郭モデルを組み合わせたものである。 グリーンランドの出口氷河の大規模データセットのトレーニングと評価により、この手法は、セグメント化とエッジ検出に基づく上記の手法よりも優れていることを示す。 最後に,モデルの予測不確かさを定量化する際に,ピクセルワイズ法よりも明確な輪郭検出が有効であることを示す。 コードとアニメーションモデル予測を含むプロジェクトページは、 \url{https://khdlr.github.io/COBRA/} で見ることができる。

関連論文リスト

• Generative Edge Detection with Stable Diffusion [52.870631376660924]
  エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。 本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。 複数のデータセットに対して広範な実験を行い、競争性能を達成する。
  論文  参考訳（メタデータ） (2024-10-04T01:52:23Z)
• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [58.60915132222421]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• GRANP: A Graph Recurrent Attentive Neural Process Model for Vehicle Trajectory Prediction [3.031375888004876]
  車両軌道予測のためのGRANP(Graph Recurrent Attentive Neural Process)という新しいモデルを提案する。 GRANPには、決定論的パスと遅延パスを持つエンコーダと、予測のためのデコーダが含まれている。 我々は,GRANPが最先端の結果を達成し,不確実性を効率的に定量化できることを示す。
  論文  参考訳（メタデータ） (2024-04-09T05:51:40Z)
• Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
  セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。 近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。 本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
  論文  参考訳（メタデータ） (2023-06-16T16:30:39Z)
• Thread Counting in Plain Weave for Old Paintings Using Semi-Supervised Regression Deep Learning Models [0.0]
  筆者らは, 深層学習に基づく回帰手法を開発し, 平織りキャンバス解析のためのスレッド密度推定を行う。 提案アルゴリズムの性能は,Ribera,Vel'azquez,Poussinの3つの手法を用いて解析し,従来の手法と比較した。
  論文  参考訳（メタデータ） (2023-03-28T14:15:13Z)
• Unsupervised Deep Learning Meets Chan-Vese Model [77.24463525356566]
  本稿では,Chan-Vese(CV)モデルとディープニューラルネットワークを統合した教師なしのイメージセグメンテーション手法を提案する。 私たちの基本的な考え方は、イメージを潜伏空間にマッピングするディープニューラルネットワークを適用して、画像空間における断片的な定数仮定の違反を軽減することです。
  論文  参考訳（メタデータ） (2022-04-14T13:23:57Z)
• 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)
• Parameter Decoupling Strategy for Semi-supervised 3D Left Atrium Segmentation [0.0]
  本稿では,パラメータ分離戦略に基づく半教師付きセグメンテーションモデルを提案する。 提案手法は,Atrial Challengeデータセット上での最先端の半教師付き手法と競合する結果を得た。
  論文  参考訳（メタデータ） (2021-09-20T14:51:42Z)
• Recursive Contour Saliency Blending Network for Accurate Salient Object Detection [0.0]
  本研究では,有能な物体検出におけるエッジ品質向上のためのネットワークを設計した。 輪郭と塩分を交換するための輪郭・塩分混合モジュールを提案した。 我々のモデルは軽量で高速で、パラメータはわずか279万、リアルタイム推論は31FPSである。
  論文  参考訳（メタデータ） (2021-05-28T14:19:54Z)
• A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
  モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。 線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。 以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
  論文  参考訳（メタデータ） (2020-10-27T17:56:14Z)
• Self-Supervised Contrastive Learning for Unsupervised Phoneme Segmentation [37.054709598792165]
  このモデルは畳み込みニューラルネットワークであり、生波形上で直接動作する。 ノイズコントラスト推定原理を用いて信号のスペクトル変化を同定する。 テスト時には、モデル出力にピーク検出アルゴリズムを適用して最終境界を生成する。
  論文  参考訳（メタデータ） (2020-07-27T12:10:21Z)

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。