論文の概要: Boundary Attention: Learning curves, corners, junctions and grouping

• arxiv url: http://arxiv.org/abs/2401.00935v3
• Date: Mon, 16 Sep 2024 17:42:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-18 03:17:40.781370
• Title: Boundary Attention: Learning curves, corners, junctions and grouping
• Title（参考訳）: 境界注意: 学習曲線、コーナー、ジャンクション、グループ化
• Authors: Mia Gaia Polansky, Charles Herrmann, Junhwa Hur, Deqing Sun, Dor Verbin, Todd Zickler,
• Abstract要約: 我々は、曲線、角、ジャンクションを含むグループ化と境界を推論する軽量なネットワークを提案する。 ボトムアップ方式で動作し、サブピクセルのエッジローカライゼーションとエッジリンクの古典的な手法に類似している。 我々のネットワークは、境界アテンションを幾何学的に認識した局所アテンション操作と呼ぶメカニズムを使用している。
• 参考スコア（独自算出の注目度）: 23.467103272604906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a lightweight network that infers grouping and boundaries, including curves, corners and junctions. It operates in a bottom-up fashion, analogous to classical methods for sub-pixel edge localization and edge-linking, but with a higher-dimensional representation of local boundary structure, and notions of local scale and spatial consistency that are learned instead of designed. Our network uses a mechanism that we call boundary attention: a geometry-aware local attention operation that, when applied densely and repeatedly, progressively refines a pixel-resolution field of variables that specify the boundary structure in every overlapping patch within an image. Unlike many edge detectors that produce rasterized binary edge maps, our model provides a rich, unrasterized representation of the geometric structure in every local region. We find that its intentional geometric bias allows it to be trained on simple synthetic shapes and then generalize to extracting boundaries from noisy low-light photographs.
• Abstract（参考訳）: 我々は、曲線、角、ジャンクションを含むグループ化と境界を推論する軽量なネットワークを提案する。 ボトムアップ方式で動作し、サブピクセルのエッジローカライゼーションとエッジリンクの古典的な手法に似ているが、局所境界構造の高次元表現と、設計ではなく学習される局所スケールと空間一貫性の概念がある。 我々のネットワークは境界アテンションと呼ばれるメカニズムを用いており、幾何対応の局所アテンション演算は、濃密かつ繰り返し適用されると、画像内のすべての重なり合うパッチにおける境界構造を規定する変数のピクセル分解能場を徐々に洗練する。 ラスタ化バイナリエッジマップを生成する多くのエッジ検出器とは異なり、我々のモデルは、各局所領域における幾何学的構造のリッチで未ラスタ化されていない表現を提供する。 意図的な幾何学的バイアスは、単純な合成形状で訓練し、ノイズの多い低照度写真から境界を抽出するように一般化することができる。

関連論文リスト

• Generating grid maps via the snake model [10.489493860187348]
  グリッドマップはタイルマップと呼ばれ、地理空間の可視化において重要なツールである。 地理的領域をグリッドに変換するため、コヒーレントグリッドアレンジメントを確立するために、セントロイドと境界ノードの両方の変位を必要とする。 既存のアプローチは通常、領域セントロイドと境界ノードを別々に置き換える。 本研究では,Snake変位アルゴリズムを地図一般化から適用し,領域セントロイドと境界ノードを同時に変位させる手法を提案する。
  論文  参考訳（メタデータ） (2024-06-04T02:24:39Z)
• Binary Opacity Grids: Capturing Fine Geometric Detail for Mesh-Based View Synthesis [70.40950409274312]
  我々は、細い構造を再構築する能力を損なうことなく、表面への収束を促すために密度場を変更する。 また, メッシュの単純化と外観モデルの適合により, 融合型メッシュ方式を開発した。 私たちのモデルで生成されたコンパクトメッシュは、モバイルデバイス上でリアルタイムでレンダリングできます。
  論文  参考訳（メタデータ） (2024-02-19T18:59:41Z)
• DeepBranchTracer: A Generally-Applicable Approach to Curvilinear Structure Reconstruction Using Multi-Feature Learning [12.047523258256088]
  本稿では,外部画像の特徴と内部幾何学的特徴の両方を学習し,曲線構造を再構築するDeepBranchTracerを紹介する。 既存のセグメンテーション法や再構成法よりも優れた性能を示すため,2次元データセットと3次元データセットの両方でモデルを広範囲に評価した。
  論文  参考訳（メタデータ） (2024-02-02T07:13:07Z)
• Parallax-Tolerant Unsupervised Deep Image Stitching [57.76737888499145]
  本稿では,パララックス耐性の非教師あり深層画像縫合技術であるUDIS++を提案する。 まず,グローバルなホモグラフィから局所的な薄板スプライン運動への画像登録をモデル化するための,頑健で柔軟なワープを提案する。 本研究では, 縫合された画像をシームレスに合成し, シーム駆動合成マスクの教師なし学習を行うことを提案する。
  論文  参考訳（メタデータ） (2023-02-16T10:40:55Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• Neural Convolutional Surfaces [59.172308741945336]
  この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。 このアプローチは, 最先端技術よりも優れたニューラル形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。
  論文  参考訳（メタデータ） (2022-04-05T15:40:11Z)
• DeepCurrents: Learning Implicit Representations of Shapes with Boundaries [25.317812435426216]
  本稿では,明示的な境界曲線と暗黙的な学習内部を結合したハイブリッド形状表現を提案する。 さらに、境界曲線と潜時符号でパラメータ化された形状の学習ファミリを実証する。
  論文  参考訳（メタデータ） (2021-11-17T20:34:20Z)
• Field of Junctions: Extracting Boundary Structure at Low SNR [5.584060970507507]
  本稿では,輪郭,角,ジャンクションなど,画像内の多くの境界要素を同時に検出するボトムアップ検出器を提案する。 特に、輪郭、角、ジャンクション、および均一領域の分析により、境界検出の他の方法が失敗する高いノイズレベルで成功することができる。
  論文  参考訳（メタデータ） (2020-11-27T17:46:08Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)
• Multi-View Optimization of Local Feature Geometry [70.18863787469805]
  本研究では,複数視点からの局所像の特徴の幾何を,未知のシーンやカメラの幾何を伴わずに精査する問題に対処する。 提案手法は,従来の特徴抽出とマッチングのパラダイムを自然に補完する。 本手法は,手作りと学習の両方の局所的特徴に対して,三角測量とカメラのローカライゼーション性能を常に向上することを示す。
  論文  参考訳（メタデータ） (2020-03-18T17:22:11Z)

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。