論文の概要: The Radon Signed Cumulative Distribution Transform and its applications
in classification of Signed Images
- arxiv url: http://arxiv.org/abs/2307.15339v1
- Date: Fri, 28 Jul 2023 06:32:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-31 13:32:19.853980
- Title: The Radon Signed Cumulative Distribution Transform and its applications
in classification of Signed Images
- Title（参考訳）: ラドン符号付累積分布変換とその符号付き画像の分類への応用
- Authors: Le Gong, Shiying Li, Naqib Sad Pathan, Mohammad Shifat-E-Rabbi,
Gustavo K. Rohde, Abu Hasnat Mohammad Rubaiyat and Sumati Thareja
- Abstract要約: 本稿では,輸送と最適輸送の数学に基づく新しい画像表現手法について述べる。
従来の輸送関連画像表現法を任意の関数(画像)に一般化する手法を提案する。
Python言語で提案されたメソッドの実装は、Githubで入手できるソフトウェアパッケージPyTransKitの一部として統合されている。
- 参考スコア（独自算出の注目度）: 5.811909662999692
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Here we describe a new image representation technique based on the
mathematics of transport and optimal transport. The method relies on the
combination of the well-known Radon transform for images and a recent signal
representation method called the Signed Cumulative Distribution Transform. The
newly proposed method generalizes previous transport-related image
representation methods to arbitrary functions (images), and thus can be used in
more applications. We describe the new transform, and some of its mathematical
properties and demonstrate its ability to partition image classes with real and
simulated data. In comparison to existing transport transform methods, as well
as deep learning-based classification methods, the new transform more
accurately represents the information content of signed images, and thus can be
used to obtain higher classification accuracies. The implementation of the
proposed method in Python language is integrated as a part of the software
package PyTransKit, available on Github.
- Abstract（参考訳）: 本稿では,輸送と最適輸送の数学に基づく新しい画像表現手法について述べる。
この方法は、画像に対するよく知られたラドン変換と、署名累積分布変換と呼ばれる最近の信号表現法の組み合わせに依存する。
提案手法は,従来の輸送関連画像表現法を任意の関数(画像)に一般化し,より多くのアプリケーションで利用することができる。
本稿では,新しい変換とその数学的特性について述べるとともに,実データとシミュレーションデータで画像クラスを分割できることを実証する。
既存のトランスポート変換法やディープラーニングに基づく分類法と比較して、新しい変換は署名された画像の情報内容をより正確に表現し、より高い分類精度を得ることができる。
Python言語で提案されたメソッドの実装は、Githubで入手できるソフトウェアパッケージPyTransKitの一部として統合されている。
関連論文リスト
- Optimal Image Transport on Sparse Dictionaries [2.7855886538423182]
Sparse Representation (SR) とOptimal Transport (OT) を利用して、スパース辞書上の新しい最適な画像転送アルゴリズムを導出する。
画像色変換や芸術的スタイル変換など,画像から画像への変換作業における多目的性や多くの利点を実証し、写真リアルな変換効果を示す。
論文 参考訳（メタデータ） (2023-11-03T15:37:01Z) - Effective Data Augmentation With Diffusion Models [65.09758931804478]
我々は、事前訓練されたテキスト・画像拡散モデルによりパラメータ化された画像・画像変換によるデータ拡張の多様性の欠如に対処する。
本手法は,市販の拡散モデルを用いて画像のセマンティクスを編集し,いくつかのラベル付き例から新しい視覚概念に一般化する。
本手法は,実世界の雑草認識タスクと数ショット画像分類タスクにおいて評価し,テスト領域における精度の向上を観察する。
論文 参考訳（メタデータ） (2023-02-07T20:42:28Z) - ConvFormer: Combining CNN and Transformer for Medical Image Segmentation [17.88894109620463]
医用画像分割のための階層型CNNとTransformerハイブリッドアーキテクチャであるConvFormerを提案する。
ゼロからトレーニングされたConvFormerは、さまざまなCNNやTransformerベースのアーキテクチャより優れ、最先端のパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2022-11-15T23:11:22Z) - ParGAN: Learning Real Parametrizable Transformations [50.51405390150066]
本稿では、画像変換学習のためのサイクル一貫性GANフレームワークの一般化であるParGANを提案する。
提案したジェネレータは、画像と変換のパラメトリゼーションの両方を入力とする。
注釈付きパラメトリゼーションを伴わない不整合画像領域では、このフレームワークはスムーズな生成が可能であり、同時に複数の変換を学習できることを示す。
論文 参考訳（メタデータ） (2022-11-09T16:16:06Z) - PI-Trans: Parallel-ConvMLP and Implicit-Transformation Based GAN for
Cross-View Image Translation [84.97160975101718]
本稿では,新しい並列-ConvMLPモジュールと,複数のセマンティックレベルでのインプリシット変換モジュールで構成される,新しい生成逆ネットワークPI-Transを提案する。
PI-Transは、2つの挑戦的データセットの最先端手法と比較して、大きなマージンで最も質的で定量的なパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-07-09T10:35:44Z) - FeatMatch: Feature-Based Augmentation for Semi-Supervised Learning [64.32306537419498]
本稿では,複雑な変換を多様に生成する特徴量に基づく改良・拡張手法を提案する。
これらの変換は、クラスタリングを通じて抽出したクラス内およびクラス間の両方の情報も利用します。
提案手法は,大規模データセットにスケールアップしながら,より小さなデータセットに対して,現在の最先端技術に匹敵するものであることを実証する。
論文 参考訳（メタデータ） (2020-07-16T17:55:31Z) - Radon cumulative distribution transform subspace modeling for image
classification [18.709734704950804]
画像変形モデルの幅広いクラスに適用可能な新しい教師付き画像分類法を提案する。
この方法は、画像データに先述のRandon Cumulative Distribution Transform(R-CDT)を用いる。
テスト精度の向上に加えて,計算効率の向上も示す。
論文 参考訳（メタデータ） (2020-04-07T19:47:26Z) - Steering Self-Supervised Feature Learning Beyond Local Pixel Statistics [60.92229707497999]
画像の特定の変換の識別に基づく自己教師型特徴学習の新しい原理を提案する。
実験により,LCI,画像ワープ,回転などの変換を識別する学習が,技術一般化能力の状態を特徴付けることを示した。
論文 参考訳（メタデータ） (2020-04-05T22:09:08Z) - Fine-grained Image-to-Image Transformation towards Visual Recognition [102.51124181873101]
我々は,入力画像の同一性を保った画像を生成するために,微細なカテゴリで画像を変換することを目的としている。
我々は、画像のアイデンティティと非関連要因をアンハングルするために、生成的敵ネットワークに基づくモデルを採用する。
CompCarsとMulti-PIEデータセットの実験では、我々のモデルが生成した画像のアイデンティティを、最先端の画像-画像変換モデルよりもはるかによく保存していることが示された。
論文 参考訳（メタデータ） (2020-01-12T05:26:47Z)
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。