Fugu-MT 論文翻訳(概要): Level Set KSVD

論文の概要: Level Set KSVD

arxiv url: http://arxiv.org/abs/2311.08284v1
Date: Tue, 14 Nov 2023 16:27:33 GMT
ステータス: 翻訳完了
システム内更新日: 2023-11-15 13:24:57.155988
Title: Level Set KSVD
Title（参考訳）: レベルセットksvd
Authors: Omer Sapir, Iftach Klapp, Nir Sochen
Abstract要約: 画像分割のための新しいアルゴリズム - Level-set KSVDを提案する。レベルセットKSVDは特徴抽出のためのスパース辞書学習法と画像セグメンテーションのための変分レベルセット法を融合する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a new algorithm for image segmentation - Level-set KSVD. Level-set KSVD merges the methods of sparse dictionary learning for feature extraction and variational level-set method for image segmentation. Specifically, we use a generalization of the Chan-Vese functional with features learned by KSVD. The motivation for this model is agriculture based. Aerial images are taken in order to detect the spread of fungi in various crops. Our model is tested on such images of cotton fields. The results are compared to other methods.
Abstract（参考訳）: 画像分割のための新しいアルゴリズム - Level-set KSVDを提案する。レベルセットKSVDは特徴抽出のためのスパース辞書学習法と画像セグメンテーションのための変分レベルセット法を融合する。具体的には, chan-vese 関数の一般化と ksvd が学習した特徴を用いた。このモデルの動機は農業である。航空画像は、様々な作物の菌類の拡散を検出するために撮影される。我々のモデルは綿花畑のこのような画像で検証される。結果は他の方法と比較される。

関連論文リスト

Image Decomposition with G-norm Weighted by Total Symmetric Variation [4.297249011611168]
我々は、その全対称性変化(TSV)により、任意の境界変動(BV)画像の特定の非局所的特徴を特徴づける。 TSVが有界なBV画像に対して,提案モデルでは輪郭縁のない解が認められていることを示す。我々のアルゴリズムは一連の数値実験によって検証される。
論文参考訳（メタデータ） (2025-03-28T16:02:46Z)
Cropper: Vision-Language Model for Image Cropping through In-Context Learning [54.34593968212081]
画像トリミングのための大規模視覚言語モデル(VLM)を効果的に活用する手法を提案する。まず,画像トリミングのための効率的なプロンプト検索機構を提案する。第2に、予測された作物を反復的に増強する反復的改良戦略を導入する。提案手法は, 自由形態の収穫, 主観的な収穫, アスペクト比の収穫など, 広範囲にわたる収穫作業に適用可能である。
論文参考訳（メタデータ） (2024-08-14T20:03:03Z)
Feature Activation Map: Visual Explanation of Deep Learning Models for Image Classification [17.373054348176932]
本研究では,機能活性化マップ (FAM) と呼ばれるポストホック解釈ツールを提案する。 FAMは、FC層を分類器として使用せずにディープラーニングモデルを解釈できる。提案したFAMアルゴリズムの有効性を実証するために,10種類の深層学習モデルを用いて,少数ショット画像分類,コントラスト学習画像分類,画像検索タスクを行った。
論文参考訳（メタデータ） (2023-07-11T05:33:46Z)
IFSeg: Image-free Semantic Segmentation via Vision-Language Model [67.62922228676273]
目的は,対象のセマンティックなカテゴリの集合にのみ依存するセマンティックセマンティックセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなタスクを実現することである。本研究では、ランダムな意味圏の2次元マップと、対応する単語トークンの別のマップを作成することで、この人工的なトレーニングデータを構築する。本モデルでは,本課題の効果的なベースラインを確立するだけでなく,既存手法と比較して高い性能を示す。
論文参考訳（メタデータ） (2023-03-25T08:19:31Z)
MoBYv2AL: Self-supervised Active Learning for Image Classification [57.4372176671293]
画像分類のための自己教師型アクティブラーニングフレームワークであるMoBYv2ALを提案する。私たちの貢献は、最も成功した自己教師付き学習アルゴリズムであるMoBYをALパイプラインに持ち上げることです。近年のAL法と比較すると,最先端の結果が得られている。
論文参考訳（メタデータ） (2023-01-04T10:52:02Z)
Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2022-11-14T18:16:36Z)
Optimizing Hierarchical Image VAEs for Sample Quality [0.0]
階層的変動オートエンコーダ (VAE) は, 画像モデリングタスクにおいて, 高精度な密度推定を実現している。これは、画像の非知覚的な詳細を圧縮する過度に強調する学習表現によるものである。我々は,各潜伏群におけるインフォメーション量を制御するKL重み付け戦略を導入し,学習目標のシャープネスを低減するためにガウス出力層を用いる。
論文参考訳（メタデータ） (2022-10-18T23:10:58Z)
Unsupervised Domain Adaptation with Contrastive Learning for OCT Segmentation [49.59567529191423]
本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
論文参考訳（メタデータ） (2022-03-07T19:02:26Z)
Convolutional Neural Networks from Image Markers [62.997667081978825]
特徴画像マーカーからの学習(FLIM)は、ごく少数の画像でユーザーが描画したストロークから、バックプロパゲーションのない畳み込みフィルタを推定するために最近提案されました。本稿では、フルコネクテッド層に対してFLIMを拡張し、異なる画像分類問題について実証する。その結果、FLIMベースの畳み込みニューラルネットワークは、バックプロパゲーションによってゼロから訓練された同じアーキテクチャを上回ります。
論文参考訳（メタデータ） (2020-12-15T22:58:23Z)
Deep Active Learning for Joint Classification & Segmentation with Weak Annotator [22.271760669551817]
クラスアクティベーションマップ(CAM)のようなCNNの可視化と解釈手法は、一般的に、クラス予測に関連する画像領域を強調するために使用される。本稿では,画素レベルのアノテーションを段階的に統合する能動的学習フレームワークを提案する。提案手法は, ランダムなサンプル選択を用いることで, 最先端のCAMやAL手法よりも優れた性能を示すことを示す。
論文参考訳（メタデータ） (2020-10-10T03:25:54Z)
Cross-Domain Few-Shot Classification via Learned Feature-Wise Transformation [109.89213619785676]
各クラスにラベル付き画像がほとんどない新しいカテゴリを識別することを目的としている。既存のメトリックベースの数ショット分類アルゴリズムは、クエリ画像の特徴埋め込みとラベル付き画像の特徴埋め込みを比較して、カテゴリを予測する。有望な性能が証明されているが、これらの手法は目に見えない領域に一般化できないことが多い。
論文参考訳（メタデータ） (2020-01-23T18:55:43Z)

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。