論文の概要: HCPM: Hierarchical Candidates Pruning for Efficient Detector-Free Matching

• arxiv url: http://arxiv.org/abs/2403.12543v1
• Date: Tue, 19 Mar 2024 08:40:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-20 14:52:48.434973
• Title: HCPM: Hierarchical Candidates Pruning for Efficient Detector-Free Matching
• Title（参考訳）: HCPM: 効率的な検出自由マッチングのための階層的候補決定
• Authors: Ying Chen, Yong Liu, Kai Wu, Qiang Nie, Shang Xu, Huifang Ma, Bing Wang, Chengjie Wang,
• Abstract要約: HCPMは、階層的プルーニングを用いてマッチングパイプラインを最適化する、効率的かつ検出不要な局所的特徴マッチング手法である。 その結果,HCPMは精度を保ちながら,既存の手法をはるかに上回っていることが明らかとなった。
• 参考スコア（独自算出の注目度）: 43.50525492577969
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based image matching methods play a crucial role in computer vision, yet they often suffer from substantial computational demands. To tackle this challenge, we present HCPM, an efficient and detector-free local feature-matching method that employs hierarchical pruning to optimize the matching pipeline. In contrast to recent detector-free methods that depend on an exhaustive set of coarse-level candidates for matching, HCPM selectively concentrates on a concise subset of informative candidates, resulting in fewer computational candidates and enhanced matching efficiency. The method comprises a self-pruning stage for selecting reliable candidates and an interactive-pruning stage that identifies correlated patches at the coarse level. Our results reveal that HCPM significantly surpasses existing methods in terms of speed while maintaining high accuracy. The source code will be made available upon publication.
• Abstract（参考訳）: 深層学習に基づく画像マッチング法はコンピュータビジョンにおいて重要な役割を担っているが、しばしばかなりの計算要求に悩まされる。 この課題に対処するために,階層的プルーニングを用いてマッチングパイプラインを最適化する,効率的かつ検出不要な局所特徴マッチング手法HCPMを提案する。 整合性のための粗度候補の徹底的な集合に依存する最近の検出自由法とは対照的に、HCPMは情報的候補の簡潔な部分集合に選択的に集中し、計算的候補が減り、マッチング効率が向上する。 本発明の方法は、信頼性の高い候補を選択できるセルフプランニングステージと、粗いレベルで相関パッチを識別するインタラクティブプルーニングステージとを含む。 その結果,HCPMは精度を保ちながら,既存の手法をはるかに上回っていることが明らかとなった。 ソースコードは公開時に公開される予定だ。

関連論文リスト

• On Speeding Up Language Model Evaluation [48.51924035873411]
  LLM(Large Language Models)を用いたプロンプトベースの手法の開発には、多くの意思決定が必要である。 この課題に対処するための新しい手法を提案する。 典型的に必要とされるリソースの5～15%しか必要とせず,トップパフォーマンスの手法を識別できることが示される。
  論文  参考訳（メタデータ） (2024-07-08T17:48:42Z)
• Training Greedy Policy for Proposal Batch Selection in Expensive Multi-Objective Combinatorial Optimization [52.80408805368928]
  本稿では,バッチ取得のための新しいグリーディ型サブセット選択アルゴリズムを提案する。 赤蛍光タンパク質に関する実験により,提案手法は1.69倍少ないクエリでベースライン性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2024-06-21T05:57:08Z)
• A Coarse-to-Fine Place Recognition Approach using Attention-guided Descriptors and Overlap Estimation [13.018093610656507]
  位置認識のための新しい粗大なアプローチを提案する。 粗い段階では、注意誘導ネットワークを用いて注意誘導記述子を生成する。 次に、素早い親和性に基づく候補選択プロセスを用いて、Top-Kの最も類似した候補を特定する。 細かな段階では、狭められた場所候補同士のペアの重複を推定し、最終一致を決定する。
  論文  参考訳（メタデータ） (2023-03-13T05:56:36Z)
• Simultaneously Learning Robust Audio Embeddings and balanced Hash codes for Query-by-Example [8.585546027122808]
  最先端のシステムは、ディープラーニングを使ってコンパクトなオーディオ指紋を生成する。 これらのシステムは、指紋を定量化し、教師なしの方法でハッシュコードにインデックスを配置し、検索を高速化する。 指紋とハッシュコードのバランスをエンドツーエンドに計算するための自己教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-20T19:22:44Z)
• ReAct: Temporal Action Detection with Relational Queries [84.76646044604055]
  本研究は,アクションクエリを備えたエンコーダ・デコーダフレームワークを用いて,時間的行動検出(TAD)の進展を図ることを目的とする。 まず,デコーダ内の関係注意機構を提案し,その関係に基づいてクエリ間の関心を誘導する。 最後に、高品質なクエリを区別するために、推論時に各アクションクエリのローカライズ品質を予測することを提案する。
  論文  参考訳（メタデータ） (2022-07-14T17:46:37Z)
• Dense Learning based Semi-Supervised Object Detection [46.885301243656045]
  半教師付きオブジェクト検出(SSOD)は、大量のラベルのないデータの助けを借りて、オブジェクト検出器の訓練と展開を容易にすることを目的としている。 本稿では,DenSe Learningに基づくアンカーフリーSSODアルゴリズムを提案する。 実験はMS-COCOとPASCAL-VOCで行われ,提案手法は新たな最先端SSOD性能を記録する。
  論文  参考訳（メタデータ） (2022-04-15T02:31:02Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
  オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。 SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。 本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。 ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
  論文  参考訳（メタデータ） (2021-09-13T18:10:52Z)
• Dependency Aware Filter Pruning [74.69495455411987]
  重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。 以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。 所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
  論文  参考訳（メタデータ） (2020-05-06T07:41:22Z)

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。