論文の概要: ECT: Fine-grained Edge Detection with Learned Cause Tokens

• arxiv url: http://arxiv.org/abs/2308.03092v1
• Date: Sun, 6 Aug 2023 11:37:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 16:52:25.843309
• Title: ECT: Fine-grained Edge Detection with Learned Cause Tokens
• Title（参考訳）: ECT:学習した原因トークンによるきめ細かいエッジ検出
• Authors: Shaocong Xu, Xiaoxue Chen, Yuhang Zheng, Guyue Zhou, Yurong Chen, Hongbin Zha and Hao Zhao
• Abstract要約: 汎用エッジと細粒度エッジを逐次予測する2段階トランスフォーマーネットワークを提案する。 提案手法をBSDS-RINDおよび複数の新たに派生したベンチマーク上で評価し,新たな最先端結果を得た。
• 参考スコア（独自算出の注目度）: 19.271691951077617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we tackle the challenging fine-grained edge detection task, which refers to predicting specific edges caused by reflectance, illumination, normal, and depth changes, respectively. Prior methods exploit multi-scale convolutional networks, which are limited in three aspects: (1) Convolutions are local operators while identifying the cause of edge formation requires looking at far away pixels. (2) Priors specific to edge cause are fixed in prediction heads. (3) Using separate networks for generic and fine-grained edge detection, and the constraint between them may be violated. To address these three issues, we propose a two-stage transformer-based network sequentially predicting generic edges and fine-grained edges, which has a global receptive field thanks to the attention mechanism. The prior knowledge of edge causes is formulated as four learnable cause tokens in a cause-aware decoder design. Furthermore, to encourage the consistency between generic edges and fine-grained edges, an edge aggregation and alignment loss is exploited. We evaluate our method on the public benchmark BSDS-RIND and several newly derived benchmarks, and achieve new state-of-the-art results. Our code, data, and models are publicly available at https://github.com/Daniellli/ECT.git.
• Abstract（参考訳）: 本研究では, 反射率, 照明, 正常, 深度変化による特定のエッジの予測を目的とした, 細粒度エッジ検出課題に挑戦する。 1)畳み込みは局所演算子であり、一方、エッジ形成の原因を特定するためには、遠方のピクセルを見る必要がある。 2) エッジ原因に特異的な先行は予測ヘッドに固定される。 (3) 汎用的かつきめ細かなエッジ検出に別々のネットワークを用いることで, それらの間の制約を破ることができる。 これら3つの問題に対処するために,注目機構によりグローバルな受容場を有する汎用エッジと細粒度エッジを逐次予測する2段階トランスフォーマーネットワークを提案する。 エッジ原因に関する事前の知識は、原因認識デコーダ設計において4つの学習可能な原因トークンとして定式化される。 さらに、汎用エッジと細粒エッジとの一貫性を促進するために、エッジアグリゲーションとアライメント損失を利用する。 本手法はbsds-rindおよび新たに開発したベンチマークを用いて評価し,最新の結果を得た。 私たちのコード、データ、モデルはhttps://github.com/daniellli/ect.gitで公開されている。

関連論文リスト

• Graph Anomaly Detection with Noisy Labels by Reinforcement Learning [13.135788402192215]
  本稿では,新しいフレームワークREGAD,すなわちReinforced Graph Anomaly Detectorを提案する。 具体的には,高信頼ラベルを用いたノード間を近似したノイズエッジを切断することにより,ベース検出器の性能向上(AUC)を最大化することを目的とする。
  論文  参考訳（メタデータ） (2024-07-08T13:41:21Z)
• Learning to utilize image second-order derivative information for crisp edge detection [13.848361661516595]
  エッジ検出はコンピュータビジョンの基本課題である。 最近のトップパフォーマンスエッジ検出手法は、厚くノイズの多いエッジラインを生成する傾向にある。 本稿では,モデルが真のエッジピクセルを正確に検出するのに役立つ2階微分型マルチスケールコンテキスト拡張モジュール(SDMCM)を提案する。 また、不均衡分布問題を軽減するために、ハイブリッド焦点損失関数(HFL)を構築した。 最後に、エッジ検出のためのSDMCMとBRMに基づくLUS-NetというU字型ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-06-09T13:25:02Z)
• Revisiting Edge Perturbation for Graph Neural Network in Graph Data Augmentation and Attack [58.440711902319855]
  エッジ摂動はグラフ構造を変更する方法である。 グラフニューラルネットワーク(GNN)の性能への影響に基づき、2つの静脈に分類できる。 統一的な定式化を提案し、エッジ摂動法の2つのカテゴリ間の明確な境界を確立する。
  論文  参考訳（メタデータ） (2024-03-10T15:50:04Z)
• Edge-Aware Mirror Network for Camouflaged Object Detection [5.032585246295627]
  エッジ検出と擬似オブジェクトセグメンテーションをモデル化する新しいエッジ対応ミラーネットワーク(EAMNet)を提案する。 EAMNetは2分岐アーキテクチャを持ち、セグメンテーションによるエッジアグリゲーションモジュールとエッジによる完全アグリゲーションモジュールがセグメンテーションブランチとエッジ検出ブランチをクロスガイドするように設計されている。 実験の結果,EAMNetは3つの広く使用されているCODデータセットにおいて,既存の最先端ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-07-08T08:14:49Z)
• The Treasure Beneath Multiple Annotations: An Uncertainty-aware Edge Detector [70.43599299422813]
  既存のメソッドは、単純な投票プロセスを使用して複数のアノテーションを融合し、エッジ固有の曖昧さを無視し、アノテータのラベル付けバイアスを無視する。 多様なアノテーションの主観性とあいまいさを調査するために不確実性を利用した新しい不確実性認識エッジ検出器(UAED)を提案する。 UAEDは複数のエッジ検出ベンチマークで一貫したパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-03-21T13:14:36Z)
• Refined Edge Usage of Graph Neural Networks for Edge Prediction [51.06557652109059]
  We propose a novel edge prediction paradigm named Edge-aware Message PassIng neuRal nEtworks (EMPIRE)。 まず,各エッジをトポロジや監督のためにのみ使用するエッジ分割手法を提案する。 監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
  論文  参考訳（メタデータ） (2022-12-25T23:19:56Z)
• Dense Extreme Inception Network for Edge Detection [0.0]
  エッジ検出は多くのコンピュータビジョンアプリケーションの基礎となっている。 公開されているデータセットのほとんどは、エッジ検出タスクのためにキュレーションされていない。 エッジの新しいデータセットを提示する。 エッジ検出のためのDense Extreme Inception Network (DexiNed) と呼ばれる新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-04T05:38:50Z)
• RINDNet: Edge Detection for Discontinuity in Reflectance, Illumination, Normal and Depth [70.25160895688464]
  我々は、4種類のエッジを共同で検出する新しいニューラルネットワークソリューション RINDNet を提案する。 RINDNetはそれぞれの表現を効果的に学習し、3段階で動作する。 我々の実験では、RINDNetは最先端の手法と比較して有望な結果が得られる。
  論文  参考訳（メタデータ） (2021-08-02T03:30:01Z)
• Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
  本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。 提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。 そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。 ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
  論文  参考訳（メタデータ） (2020-11-25T18:59:54Z)
• Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
  本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。 これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。 SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
  論文  参考訳（メタデータ） (2020-02-11T14:04:56Z)

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。