論文の概要: A Robust and Efficient Boundary Point Detection Method by Measuring Local Direction Dispersion

• arxiv url: http://arxiv.org/abs/2312.04065v1
• Date: Thu, 7 Dec 2023 06:09:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-12-08 16:06:34.465706
• Title: A Robust and Efficient Boundary Point Detection Method by Measuring Local Direction Dispersion
• Title（参考訳）: 局所方向分散測定によるロバストかつ効率的な境界点検出法
• Authors: Dehua Peng, Zhipeng Gui, Huayi Wu
• Abstract要約: 境界点は、分類、クラスタリング、次元削減など、機械学習タスクに重大な課題をもたらす。 LoDD(Local Direction)を用いたロバストかつ効率的な境界点検出法を提案する。 以上の結果から,LODは時間的に頑健な検出精度を達成できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.6906005491572401
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Boundary points pose a significant challenge for machine learning tasks, including classification, clustering, and dimensionality reduction. Due to the similarity of features, boundary areas can result in mixed-up classes or clusters, leading to a crowding problem in dimensionality reduction. To address this challenge, numerous boundary point detection methods have been developed, but they are insufficiently to accurately and efficiently identify the boundary points in non-convex structures and high-dimensional manifolds. In this work, we propose a robust and efficient method for detecting boundary points using Local Direction Dispersion (LoDD). LoDD considers that internal points are surrounded by neighboring points in all directions, while neighboring points of a boundary point tend to be distributed only in a certain directional range. LoDD adopts a density-independent K-Nearest Neighbors (KNN) method to determine neighboring points, and defines a statistic-based metric using the eigenvalues of the covariance matrix of KNN coordinates to measure the centrality of a query point. We demonstrated the validity of LoDD on five synthetic datasets (2-D and 3-D) and ten real-world benchmarks, and tested its clustering performance by equipping with two typical clustering methods, K-means and Ncut. Our results show that LoDD achieves promising and robust detection accuracy in a time-efficient manner.
• Abstract（参考訳）: 境界点は、分類、クラスタリング、次元削減を含む機械学習タスクに重大な課題をもたらす。 特徴の類似性のため、境界領域は混成クラスやクラスタとなり、次元の減少において群れの問題を引き起こす。 この課題に対処するために、多くの境界点検出法が開発されているが、非凸構造や高次元多様体の境界点を正確にかつ効率的に同定するには不十分である。 本研究では,局所方向分散(lodd)を用いたロバストで効率的な境界点検出手法を提案する。 LoDDは、内部点がすべての方向で隣接点に囲まれているのに対して、境界点の隣接点は特定の方向の範囲でのみ分布する傾向にあると考えている。 LoDDは、密度非依存のK-Nearest Neighbors (KNN) 法を採用し、KNN座標の共分散行列の固有値を用いて、クエリポイントの集中度を測定する統計に基づく計量を定義する。 我々は,5つの合成データセット(2-Dおよび3-D)と10個の実世界のベンチマークに対するLoDDの有効性を実証し,K-meansとNcutの2つの典型的なクラスタリング手法を用いてクラスタリング性能を検証した。 その結果,loddは有望でロバストな検出精度を時間効率良く達成できることがわかった。

関連論文リスト

• Persistent Classification: A New Approach to Stability of Data and Adversarial Examples [6.469716438197741]
  本研究では,自然点と逆点の補間点に沿った持続的測定値の相違について検討する。 敵の例は、大きなニューラルネットワークの自然な例よりも持続性が著しく低いことを示す。 我々は、この永続性の欠如を、決定境界に関する補間物の角度を測定することによって、決定境界幾何学と結び付ける。
  論文  参考訳（メタデータ） (2024-04-11T18:13:42Z)
• Towards the Uncharted: Density-Descending Feature Perturbation for Semi-supervised Semantic Segmentation [51.66997548477913]
  本稿では,DDFP(Dedentity-Descending Feature Perturbation)という特徴レベルの一貫性学習フレームワークを提案する。 半教師付き学習における低密度分離仮定にインスパイアされた私たちの重要な洞察は、特徴密度はセグメンテーション分類器が探索する最も有望な方向の光を放つことができるということである。 提案したDFFPは、機能レベルの摂動に関する他の設計よりも優れており、Pascal VOCとCityscapesのデータセット上でのアートパフォーマンスの状態を示している。
  論文  参考訳（メタデータ） (2024-03-11T06:59:05Z)
• PointCore: Efficient Unsupervised Point Cloud Anomaly Detector Using Local-Global Features [18.32982981001087]
  我々は、PointCoreと呼ばれる、共同でローカル・グローバルな特徴に基づく、教師なしのポイントクラウド異常検出フレームワークを提案する。 具体的に言うと、PointCoreはローカル(コーディネート)とグローバル(PointMAE)表現を保存するために、単一のメモリバンクしか必要としない。 Real3D-ADデータセットの実験では、PointCoreは検出とローカライゼーションの両方において、競合する推論時間と最高のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-03-04T07:51:46Z)
• Point Cloud Classification via Deep Set Linearized Optimal Transport [51.99765487172328]
  我々は,点雲をL2-$spaceに効率的に同時埋め込むアルゴリズムであるDeep Set Linearized Optimal Transportを紹介した。 この埋め込みはワッサーシュタイン空間内の特定の低次元構造を保持し、点雲の様々なクラスを区別する分類器を構成する。 我々は,有限個のラベル付き点雲を持つフローデータセットの実験を通じて,標準的な深層集合アプローチに対するアルゴリズムの利点を実証する。
  論文  参考訳（メタデータ） (2024-01-02T23:26:33Z)
• Distribution-Based Trajectory Clustering [14.781854651899705]
  軌道クラスタリングは、軌道データの共通パターンの発見を可能にする。 距離測定には高い計算コストと低い忠実度という2つの課題がある。 我々は,最近の分散カーネル(IDK)を3つの課題に対処するための主要なツールとして利用することを提案する。
  論文  参考訳（メタデータ） (2023-10-08T11:28:34Z)
• Unleash the Potential of 3D Point Cloud Modeling with A Calibrated Local Geometry-driven Distance Metric [62.365983810610985]
  そこで我々は,Callibated Local Geometry Distance (CLGD) と呼ばれる新しい距離測定法を提案する。 CLGDは、基準点の集合によってキャリブレーションされ誘導される基礎となる3次元表面の差を計算する。 一般的な指標として、CLGDは3Dポイントのクラウドモデリングを前進させる可能性がある。
  論文  参考訳（メタデータ） (2023-06-01T11:16:20Z)
• Rethinking k-means from manifold learning perspective [122.38667613245151]
  平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。 具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。 異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
  論文  参考訳（メタデータ） (2023-05-12T03:01:41Z)
• Detecting Rotated Objects as Gaussian Distributions and Its 3-D Generalization [81.29406957201458]
  既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。 このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。 回転した物体をガウス分布としてモデル化することを提案する。 2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
  論文  参考訳（メタデータ） (2022-09-22T07:50:48Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• BikNN: Anomaly Estimation in Bilateral Domains with k-Nearest Neighbors [1.2183405753834562]
  本論文では異常推定のための新しい枠組みを提案する。 空間領域と密度領域の両方における異常の程度を推定する。 本手法は,空間領域と密度領域の両方を考慮に入れ,数個のパラメータを手動で調整することで異なるデータセットに適用できる。
  論文  参考訳（メタデータ） (2021-05-11T13:45:29Z)
• Tensor Laplacian Regularized Low-Rank Representation for Non-uniformly Distributed Data Subspace Clustering [2.578242050187029]
  低ランク表現(LRR)は、サブスペースクラスタリングにおけるデータポイントの局所性情報を破棄する。 本稿では,隣接ノードの変動数を容易にし,データの局所性情報を組み込むハイパーグラフモデルを提案する。 人工および実データを用いた実験により,提案手法の精度と精度が向上した。
  論文  参考訳（メタデータ） (2021-03-06T08:22:24Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)
• A Self-Training Approach for Point-Supervised Object Detection and Counting in Crowds [54.73161039445703]
  本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。 トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。 実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-07-25T02:14:42Z)
• PPDM: Parallel Point Detection and Matching for Real-time Human-Object Interaction Detection [85.75935399090379]
  本稿では,Human-Object Interaction (HOI) の単一段階検出手法を提案する。 これは、初めてのリアルタイムHOI検出方法である。
  論文  参考訳（メタデータ） (2019-12-30T12:00:55Z)

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。