論文の概要: Deep supervised hashing for fast retrieval of radio image cubes
- arxiv url: http://arxiv.org/abs/2309.00932v1
- Date: Sat, 2 Sep 2023 12:59:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-07 00:15:46.341429
- Title: Deep supervised hashing for fast retrieval of radio image cubes
- Title（参考訳）: 無線画像キューブの高速検索のためのdeep supervised hashing
- Authors: Steven Ndung'u, Trienko Grobler, Stefan J. Wijnholds, Dimka
Karastoyanova, George Azzopardi
- Abstract要約: ディープハッシュアルゴリズムは、コンピュータビジョンとマルチメディアの分野における画像検索タスクにおいて効率的であることが示されている。
本研究では,大規模データベース内の類似画像を高速に検索するために,ディープハッシュを利用する。
実験により, 類似した無線画像の検索と検索を効率よく, 大規模に行うことができることを示した。
- 参考スコア（独自算出の注目度）: 5.688539343057255
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The shear number of sources that will be detected by next-generation radio
surveys will be astronomical, which will result in serendipitous discoveries.
Data-dependent deep hashing algorithms have been shown to be efficient at image
retrieval tasks in the fields of computer vision and multimedia. However, there
are limited applications of these methodologies in the field of astronomy. In
this work, we utilize deep hashing to rapidly search for similar images in a
large database. The experiment uses a balanced dataset of 2708 samples
consisting of four classes: Compact, FRI, FRII, and Bent. The performance of
the method was evaluated using the mean average precision (mAP) metric where a
precision of 88.5\% was achieved. The experimental results demonstrate the
capability to search and retrieve similar radio images efficiently and at
scale. The retrieval is based on the Hamming distance between the binary hash
of the query image and those of the reference images in the database.
- Abstract（参考訳）: 次世代の電波調査で検出される情報源の数は、天文学的なものであり、セレンディピティーの発見につながるだろう。
データ依存型ディープハッシュアルゴリズムは、コンピュータビジョンとマルチメディアの分野における画像検索タスクにおいて効率的であることが示されている。
しかし、天文学の分野におけるこれらの方法論の応用は限られている。
本研究では,大規模データベースにおける類似画像の高速検索にdeep hashingを利用する。
実験では、コンパクト、FRI、FRII、ベントという4つのクラスからなる2708サンプルのバランスの取れたデータセットを使用した。
この手法の性能は平均平均精度(map)測定値を用いて評価され、88.5\%の精度が得られた。
実験結果は,類似した無線画像を効率的にかつ大規模に検索し,検索する能力を示す。
検索は、クエリ画像のバイナリハッシュとデータベース内の参照画像とのハミング距離に基づいて行われる。
関連論文リスト
- Multi-Spectral Remote Sensing Image Retrieval Using Geospatial Foundation Models [0.562479170374811]
この研究は、PrithviのようなGeospatial Foundation Modelsをリモートセンシング画像検索に使用することを提案している。
検索タスクに2つのデータセットを導入し、高い性能を観察する。
Prithviは6つのバンドを処理し、平均精度はBigEarthNet-43で97.62%、フォレストNet-12で44.51%に達する。
論文 参考訳（メタデータ） (2024-03-04T14:00:45Z) - Radio Map Estimation -- An Open Dataset with Directive Transmitter
Antennas and Initial Experiments [49.61405888107356]
実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。
モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
論文 参考訳（メタデータ） (2024-01-12T14:56:45Z) - ElasticHash: Semantic Image Similarity Search by Deep Hashing with
Elasticsearch [0.9167082845109439]
ElasticHashは、高品質で効率的で大規模なセマンティックイメージ類似検索のための新しいアプローチである。
これは、自然画像における微細な画像類似性探索のためのハッシュコードを学ぶための深いハッシュモデルに基づいている。
論文 参考訳（メタデータ） (2023-05-08T13:50:47Z) - A Triplet-loss Dilated Residual Network for High-Resolution
Representation Learning in Image Retrieval [0.0]
ローカライゼーションなどのいくつかのアプリケーションでは、画像検索が最初のステップとして使用される。
本論文では,トレーニング可能なパラメータが少ない,単純かつ効率的な画像検索システムを提案する。
提案手法は三重項損失を有する拡張残差畳み込みニューラルネットワークの利点である。
論文 参考訳（メタデータ） (2023-03-15T07:01:44Z) - Medical Image Retrieval via Nearest Neighbor Search on Pre-trained Image
Features [15.331765570210479]
Nearest neighbor search (NNS) は、クエリポイントに最も近い高次元空間の点を見つけることを目的としている。
本稿では,異種医用画像からの関連画像の検索と検索を行う,効率的かつ効率的なアルゴリズムであるDenseLinkSearchを提案する。
我々は提案したNNSアプローチを広範囲に検証し、ベンチマークデータセットと作成した医用画像データセットの最先端NNSアプローチと比較した。
論文 参考訳（メタデータ） (2022-10-05T17:21:11Z) - Pattern Spotting and Image Retrieval in Historical Documents using Deep
Hashing [60.67014034968582]
本稿では,歴史文書のデジタルコレクションにおける画像検索とパターンスポッティングのためのディープラーニング手法を提案する。
ディープラーニングモデルは、実数値またはバイナリコード表現を提供する2つの異なるバリエーションを考慮して、特徴抽出に使用される。
また,提案手法により検索時間を最大200倍に短縮し,関連する作業と比較してストレージコストを最大6,000倍に削減する。
論文 参考訳（メタデータ） (2022-08-04T01:39:37Z) - ALADIN: Distilling Fine-grained Alignment Scores for Efficient
Image-Text Matching and Retrieval [51.588385824875886]
クロスモーダル検索は、与えられたクエリテキストまたはバイヴァーサに関連する画像を見つけることで構成される。
近年の多くの手法が画像テキストマッチング問題に対する効果的な解法を提案しており、主に近年の大規模視覚言語(VL)トランスフォーマーネットワークを用いている。
本稿では,有効性と効率のギャップを埋めるため,ALADIN(ALign And Distill Network)を提案する。
論文 参考訳（メタデータ） (2022-07-29T16:01:48Z) - Asymmetric Hash Code Learning for Remote Sensing Image Retrieval [22.91678927865952]
リモートセンシング画像検索のための非対称ハッシュ符号学習(AHCL)という新しい深層ハッシュ法を提案する。
AHCLは、クエリとデータベースイメージのハッシュコードを非対称に生成する。
3つの公開データセットに対する実験結果から,提案手法は精度と効率の点で対称法より優れていることが示された。
論文 参考訳（メタデータ） (2022-01-15T07:00:38Z) - Instance-weighted Central Similarity for Multi-label Image Retrieval [66.23348499938278]
ハッシュコードに対応する中心重みを自動的に学習するために,インスタンス重み付き中央類似度(ICS)を提案する。
特にMS COCOデータセットのmAPを1.6%-6.4%改善する。
論文 参考訳（メタデータ） (2021-08-11T15:18:18Z) - Scale Normalized Image Pyramids with AutoFocus for Object Detection [75.71320993452372]
スケール正規化画像ピラミッド(SNIP)が生成され、人間の視覚と同様に、異なるスケールで固定されたサイズ範囲内のオブジェクトにのみ参加する。
本研究では,オブジェクトを含む可能性のある固定サイズのサブリージョンのみで動作する,効率的な空間サブサンプリング手法を提案する。
結果のアルゴリズムはAutoFocusと呼ばれ、SNIPを使用する場合の推論では2.5～5倍のスピードアップとなる。
論文 参考訳（メタデータ） (2021-02-10T18:57:53Z) - DeepEMD: Differentiable Earth Mover's Distance for Few-Shot Learning [122.51237307910878]
我々は,画像領域間の最適なマッチングの新しい視点から,少数ショット画像分類法を開発した。
我々は、高密度画像表現間の構造距離を計算するために、Earth Mover's Distance (EMD) を用いている。
定式化において重要な要素の重みを生成するために,我々は相互参照機構を設計する。
論文 参考訳（メタデータ） (2020-03-15T08:13:16Z)
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。