論文の概要: HiCD: Change Detection in Quality-Varied Images via Hierarchical Correlation Distillation

• arxiv url: http://arxiv.org/abs/2401.10752v1
• Date: Fri, 19 Jan 2024 15:21:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-22 15:34:47.269060
• Title: HiCD: Change Detection in Quality-Varied Images via Hierarchical Correlation Distillation
• Title（参考訳）: HiCD:階層的相関蒸留による画質変動画像の変化検出
• Authors: Chao Pang, Xingxing Weng, Jiang Wu, Qiang Wang, and Gui-Song Xia
• Abstract要約: 知識蒸留を基礎とした革新的な教育戦略を導入する。 中心となるアイデアは、高品質なイメージペアから取得したタスク知識を活用して、モデルの学習をガイドすることにある。 我々は階層的相関蒸留法(自己相関、相互相関、大域相関を含む)を開発する。
• 参考スコア（独自算出の注目度）: 40.03785896317387
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advanced change detection techniques primarily target image pairs of equal and high quality. However, variations in imaging conditions and platforms frequently lead to image pairs with distinct qualities: one image being high-quality, while the other being low-quality. These disparities in image quality present significant challenges for understanding image pairs semantically and extracting change features, ultimately resulting in a notable decline in performance. To tackle this challenge, we introduce an innovative training strategy grounded in knowledge distillation. The core idea revolves around leveraging task knowledge acquired from high-quality image pairs to guide the model's learning process when dealing with image pairs that exhibit differences in quality. Additionally, we develop a hierarchical correlation distillation approach (involving self-correlation, cross-correlation, and global correlation). This approach compels the student model to replicate the correlations inherent in the teacher model, rather than focusing solely on individual features. This ensures effective knowledge transfer while maintaining the student model's training flexibility.
• Abstract（参考訳）: 高度な変化検出技術は主に画像対の等質と高品質を目標とする。 しかし、画像条件やプラットフォームの変化は、画質の異なるイメージペアをしばしば引き起こす: 画像は高品質であり、一方は低品質である。 これらの画像品質の相違は、画像ペアを意味的に理解し、変化特徴を抽出する上で重要な課題を示し、最終的に性能の顕著な低下をもたらす。 この課題に対処するために、知識蒸留に基づく革新的なトレーニング戦略を導入する。 コアとなるアイデアは、高品質なイメージペアから得られたタスク知識を活用して、品質の違いを示すイメージペアを扱う際のモデルの学習プロセスをガイドするものだ。 さらに, 階層的相関蒸留アプローチ(自己相関, 相互相関, 大域的相関)を開発した。 このアプローチは、個々の特徴のみに焦点を当てるのではなく、教師モデルに内在する相関を学生モデルに再現させる。 これにより、生徒モデルのトレーニング柔軟性を維持しながら、効果的な知識伝達が保証される。

関連論文リスト

• Scale Contrastive Learning with Selective Attentions for Blind Image Quality Assessment [15.235786583920062]
  ブラインド画像品質評価(BIQA)はコンピュータビジョンの基本課題であるが、人間の主観的知覚と一貫して一致しないことが多い。 近年の進歩は、人間の視覚の階層構造を再現できるため、マルチスケール評価戦略が有望であることを示している。 本稿では,異なるスケールにわたる情報の顕著な冗長性と,これらのスケールの特徴を組み合わせることで生じる混乱という,2つの主要な課題に対処する。
  論文  参考訳（メタデータ） (2024-11-13T20:17:30Z)
• Local Manifold Learning for No-Reference Image Quality Assessment [68.9577503732292]
  No-Reference Image Quality Assessment(NR-IQA)のための、局所多様体学習とコントラスト学習を統合した革新的なフレームワークを提案する。 提案手法は,7つの標準データセットの最先端手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-06-27T15:14:23Z)
• Enhancing Consistency-Based Image Generation via Adversarialy-Trained Classification and Energy-Based Discrimination [13.238373528922194]
  本稿では,一貫性に基づく画像の生成を後処理する新しい手法を提案し,その知覚的品質を向上させる。 本手法では,両部位を逆向きに訓練する共同分類器-識別器モデルを用いる。 このジョイントマシンの指導の下で、サンプル特異的な投影勾配を用いることで、合成画像を洗練し、ImageNet 64x64データセット上でFIDスコアを改良した。
  論文  参考訳（メタデータ） (2024-05-25T14:53:52Z)
• Multi-Modal Prompt Learning on Blind Image Quality Assessment [65.0676908930946]
  画像品質評価(IQA)モデルは意味情報から大きな恩恵を受け、異なる種類のオブジェクトを明瞭に扱うことができる。 十分な注釈付きデータが不足している従来の手法では、セマンティックな認識を得るために、CLIPイメージテキスト事前学習モデルをバックボーンとして使用していた。 近年のアプローチでは、このミスマッチに即時技術を使って対処する試みがあるが、これらの解決策には欠点がある。 本稿では、IQAのための革新的なマルチモーダルプロンプトベースの手法を提案する。
  論文  参考訳（メタデータ） (2024-04-23T11:45:32Z)
• Enhance Image Classification via Inter-Class Image Mixup with Diffusion Model [80.61157097223058]
  画像分類性能を高めるための一般的な戦略は、T2Iモデルによって生成された合成画像でトレーニングセットを増強することである。 本研究では,既存のデータ拡張技術の欠点について検討する。 Diff-Mixと呼ばれる革新的なクラス間データ拡張手法を導入する。
  論文  参考訳（メタデータ） (2024-03-28T17:23:45Z)
• Counterfactual Image Editing [54.21104691749547]
  対物画像編集は、生成AIにおいて重要なタスクであり、ある機能が異なる場合、画像がどのように見えるかを尋ねる。 本稿では,形式言語を用いた対物画像編集タスクを形式化し,潜在生成因子と画像の因果関係をモデル化する。 ニューラル因果モデルを利用して、対物画像を生成する効率的なアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-02-07T20:55:39Z)
• QGFace: Quality-Guided Joint Training For Mixed-Quality Face Recognition [2.8519768339207356]
  混合品質顔認証のための新しい品質誘導型共同訓練手法を提案する。 品質分割に基づいて、分類に基づく手法が本社データ学習に用いられている。 識別情報を欠いたLQ画像に対しては,自己教師付き画像イメージコントラスト学習を用いて学習する。
  論文  参考訳（メタデータ） (2023-12-29T06:56:22Z)
• ARNIQA: Learning Distortion Manifold for Image Quality Assessment [28.773037051085318]
  No-Reference Image Quality Assessment (NR-IQA) は、高品質な参照画像を必要としない、人間の知覚に合わせて画像品質を測定する手法を開発することを目的としている。 本研究では、画像歪み多様体をモデル化し、本質的な表現を得るための自己教師型アプローチ ARNIQA を提案する。
  論文  参考訳（メタデータ） (2023-10-20T17:22:25Z)
• Towards Unsupervised Deep Image Enhancement with Generative Adversarial Network [92.01145655155374]
  監視されていない画像強調生成ネットワーク(UEGAN)を提案する。 教師なしの方法で所望の特性を持つ画像の集合から、対応する画像と画像のマッピングを学習する。 その結果,提案モデルは画像の美的品質を効果的に向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-30T03:22:46Z)

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。