論文の概要: AdaContour: Adaptive Contour Descriptor with Hierarchical Representation

• arxiv url: http://arxiv.org/abs/2404.08292v1
• Date: Fri, 12 Apr 2024 07:30:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-15 15:45:46.088300
• Title: AdaContour: Adaptive Contour Descriptor with Hierarchical Representation
• Title（参考訳）: AdaContour:階層表現による適応型輪郭記述子
• Authors: Tianyu Ding, Jinxin Zhou, Tianyi Chen, Zhihui Zhu, Ilya Zharkov, Luming Liang,
• Abstract要約: 既存の角度ベースの輪郭記述子は、星以外の形状の損失表現に悩まされる。 AdaConは、他のディスクリプタよりも正確に形を表現できる。
• 参考スコア（独自算出の注目度）: 52.381359663689004
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing angle-based contour descriptors suffer from lossy representation for non-starconvex shapes. By and large, this is the result of the shape being registered with a single global inner center and a set of radii corresponding to a polar coordinate parameterization. In this paper, we propose AdaContour, an adaptive contour descriptor that uses multiple local representations to desirably characterize complex shapes. After hierarchically encoding object shapes in a training set and constructing a contour matrix of all subdivided regions, we compute a robust low-rank robust subspace and approximate each local contour by linearly combining the shared basis vectors to represent an object. Experiments show that AdaContour is able to represent shapes more accurately and robustly than other descriptors while retaining effectiveness. We validate AdaContour by integrating it into off-the-shelf detectors to enable instance segmentation which demonstrates faithful performance. The code is available at https://github.com/tding1/AdaContour.
• Abstract（参考訳）: 既存の角度ベースの輪郭記述子は、非星空形状の損失表現に悩まされる。 概してこれは、単一の大域内心と極座標パラメタライゼーションに対応するラジイの集合に登録されている形状の結果である。 本稿では,複数の局所表現を用いて複雑な形状を好ましく特徴付ける適応型輪郭記述子であるAdaContourを提案する。 トレーニングセット内のオブジェクト形状を階層的に符号化し、すべての部分分割領域の輪郭行列を構成すると、ロバストな低ランクなロバストな部分空間を計算し、共有基底ベクトルを線形に結合してオブジェクトを表現することによって各局所輪郭を近似する。 実験によると、AdaContourは他の記述子よりも正確で堅牢な形状を表現でき、有効性を維持している。 我々は、AdaContourを市販の検出器に統合し、忠実な性能を示すインスタンスセグメンテーションを可能にすることで検証する。 コードはhttps://github.com/tding1/AdaContour.comで公開されている。

関連論文リスト

• Binding in hippocampal-entorhinal circuits enables compositionality in cognitive maps [8.679251532993428]
  本研究では,海馬形成における空間表現の規範モデルを提案する。 このモデルにより,次元をもつパターンの超線形スケーリングを含むノルミティブなデシラタが得られることを示す。 より一般的に、このモデルは海馬の形成において構成計算がどのように起こるかを定式化する。
  論文  参考訳（メタデータ） (2024-06-27T00:53:53Z)
• Learning SO(3)-Invariant Semantic Correspondence via Local Shape Transform [62.27337227010514]
  RISTと呼ばれる局所形状変換を用いた自己教師型回転不変3次元対応学習システムを提案する。 RISTは、挑戦的なクラス内変分と任意の向きの下でも、形状間の密接な対応を確立することを学ぶ。 RISTは、任意の回転点雲対に与えられる3D部分ラベル転送とセマンティックキーポイント転送の最先端性能を示す。
  論文  参考訳（メタデータ） (2024-04-17T08:09:25Z)
• ShapeMatcher: Self-Supervised Joint Shape Canonicalization, Segmentation, Retrieval and Deformation [47.94499636697971]
  本稿では,関節形状の正準化,分節化,検索,変形を行うための自己教師型学習フレームワークであるShapeMatcherを提案する。 ShapeMakerの重要な洞察は、標準化、セグメンテーション、検索、変形という4つの高関連プロセスの同時トレーニングである。
  論文  参考訳（メタデータ） (2023-11-18T15:44:57Z)
• A Scalable Combinatorial Solver for Elastic Geometrically Consistent 3D Shape Matching [69.14632473279651]
  本稿では,3次元形状間の幾何学的一貫したマッピング空間をグローバルに最適化するスケーラブルなアルゴリズムを提案する。 従来の解法よりも数桁高速なラグランジュ双対問題と結合した新しい原始問題を提案する。
  論文  参考訳（メタデータ） (2022-04-27T09:47:47Z)
• Frame Averaging for Equivariant Shape Space Learning [85.42901997467754]
  形状空間学習に対称性を組み込む自然な方法は、形状空間(エンコーダ)への写像と形状空間(デコーダ)からの写像が関連する対称性に同値であることを問うことである。 本稿では,2つのコントリビューションを導入することで,エンコーダとデコーダの等価性を組み込む枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-03T06:41:19Z)
• PatchNets: Patch-Based Generalizable Deep Implicit 3D Shape Representations [75.42959184226702]
  物体認識訓練のための中級パッチベースサーフェス表現を提案する。 形状や部分点雲の完全化など,新しい表現の応用例をいくつか紹介する。
  論文  参考訳（メタデータ） (2020-08-04T15:34:46Z)
• ProAlignNet : Unsupervised Learning for Progressively Aligning Noisy Contours [12.791313859673187]
  ProAlignNetは、輪郭形状間の大規模なミスアライメントと複雑な変換を説明できる。 近接感度および局所形状依存類似度測定値の上界から導出される新しい損失関数を用いて学習する。 実世界の2つの応用において、提案したモデルは最先端の手法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2020-05-23T14:56:14Z)
• Unsupervised Learning of Intrinsic Structural Representation Points [50.92621061405056]
  3次元形状の学習構造は、コンピュータグラフィックスと幾何学処理の分野における根本的な問題である。 本稿では,3次元構造点の形で新しい構造表現を学習するための簡易かつ解釈不能な手法を提案する。
  論文  参考訳（メタデータ） (2020-03-03T17:40:00Z)

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。