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

• arxiv url: http://arxiv.org/abs/2312.04065v2
• Date: Tue, 25 Feb 2025 09:08:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 19:56:49.615014
• 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, Jie Gui, Huayi Wu,
• Abstract要約: 境界点検出は、クラスタの外輪郭構造を概説することを目的としている。 既存の境界点検出器は密度に敏感であり、凹凸構造における境界点を特定できない。 局所方向分散(LoDD)に基づくロバストで効率的な境界点検出法を提案する。
• 参考スコア（独自算出の注目度）: 8.906932064891796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Boundary point detection aims to outline the external contour structure of clusters and enhance the inter-cluster discrimination, thus bolstering the performance of the downstream classification and clustering tasks. However, existing boundary point detectors are sensitive to density heterogeneity or cannot identify boundary points in concave structures and high-dimensional manifolds. In this work, we propose a robust and efficient boundary point detection method based on Local Direction Dispersion (LoDD). The core of boundary point detection lies in measuring the difference between boundary points and internal points. It is a common observation that an internal point is surrounded by its neighbors in all directions, while the neighbors of a boundary point tend to be distributed only in a certain directional range. By considering this observation, we adopt density-independent K-Nearest Neighbors (KNN) method to determine neighboring points and design a centrality metric LoDD using the eigenvalues of the covariance matrix to depict the distribution uniformity of KNN. We also develop a grid-structure assumption of data distribution to determine the parameters adaptively. The effectiveness of LoDD is demonstrated on synthetic datasets, real-world benchmarks, and application of training set split for deep learning model and hole detection on point cloud data. The datasets and toolkit are available at: https://github.com/ZPGuiGroupWhu/lodd.
• Abstract（参考訳）: 境界点検出は、クラスタの外輪郭構造を概説し、クラスタ間識別を強化し、下流の分類とクラスタリングタスクの性能を高めることを目的としている。 しかし、既存の境界点検出器は密度の不均一性に敏感であり、凹凸構造や高次元多様体の境界点を特定できない。 本研究では,LoDD(Local Direction Dispersion)に基づくロバストかつ効率的な境界点検出手法を提案する。 境界点検出のコアは、境界点と内部点の差を測定することである。 内部点がすべての方向の隣人に囲まれているのに対して、境界点の隣人は特定の方向の範囲でしか分布しない傾向にあるという一般的な観察である。 この観測から,KNNの分布均一性を表す共分散行列の固有値を用いて,密度非依存のK-Nearest Neighbors (KNN)法を用いて近傍の点を決定するとともに,集中度指標LODDを設計する。 また、パラメータを適応的に決定するために、データ分布のグリッド構造を仮定する。 LoDDの有効性は、合成データセット、実世界のベンチマーク、ディープラーニングモデルとポイントクラウドデータに対するホール検出のためのトレーニングセットスプリットの適用で実証されている。 データセットとツールキットは、https://github.com/ZPGuiGroupWhu/lodd.comで入手できる。

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。