論文の概要: Improved Convex Decomposition with Ensembling and Boolean Primitives

• arxiv url: http://arxiv.org/abs/2405.19569v1
• Date: Wed, 29 May 2024 23:24:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-31 18:46:29.811819
• Title: Improved Convex Decomposition with Ensembling and Boolean Primitives
• Title（参考訳）: 組立およびブールプリミティブによる凸分解の改善
• Authors: Vaibhav Vavilala, Florian Kluger, Seemandhar Jain, Bodo Rosenhahn, David Forsyth,
• Abstract要約: アート手法の状態は、一定数のプリミティブからなる開始点を予測するための学習された回帰手順を含む。 本稿では, (a) 少数の負のプリミティブを組み込んで, (b) 多数の異なる回帰手順を組み込むことで, 精度を大幅に向上できることを示す。
• 参考スコア（独自算出の注目度）: 20.200556663370783
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Describing a scene in terms of primitives -- geometrically simple shapes that offer a parsimonious but accurate abstraction of structure -- is an established vision problem. This is a good model of a difficult fitting problem: different scenes require different numbers of primitives and primitives interact strongly, but any proposed solution can be evaluated at inference time. The state of the art method involves a learned regression procedure to predict a start point consisting of a fixed number of primitives, followed by a descent method to refine the geometry and remove redundant primitives. Methods are evaluated by accuracy in depth and normal prediction and in scene segmentation. This paper shows that very significant improvements in accuracy can be obtained by (a) incorporating a small number of negative primitives and (b) ensembling over a number of different regression procedures. Ensembling is by refining each predicted start point, then choosing the best by fitting loss. Extensive experiments on a standard dataset confirm that negative primitives are useful in a large fraction of images, and that our refine-then-choose strategy outperforms choose-then-refine, confirming that the fitting problem is very difficult.
• Abstract（参考訳）: プリミティブ(幾何学的に単純な形状で構造を正確に抽象化する)の観点でシーンを記述することは、確立されたビジョン問題である。 異なるシーンは異なる数のプリミティブを必要とし、プリミティブは強く相互作用するが、提案されたソリューションは推論時に評価することができる。 最先端の手法は、一定数のプリミティブからなる開始点を予測するための学習された回帰手順と、幾何を洗練させ、冗長プリミティブを除去する降下法を含む。 手法は深度, 正常予測, シーンセグメンテーションの精度で評価される。 本稿では,精度の大幅な向上が期待できることを示す。 (a)少数の負の原始体を取り入れて b) さまざまなレグレッション手順をまとめる。 組み立ては予測される各スタートポイントを精錬し、損失を埋め合わせることでベストを選択する。 標準データセットにおける大規模な実験により、負のプリミティブが多数の画像で有用であることが確認され、我々の精巧な選択選択戦略がより優れていることが確認され、適合問題が非常に難しいことが確認された。

関連論文リスト

• Convex Decomposition of Indoor Scenes [6.942167888954434]
  複雑な屋内シーンをプリミティブに解析する手法について述べる。 プリミティブは単純な凸です。 評価手法により, プリミティブ表現からの誤差は, 一つの画像から深度を予測する誤差に匹敵することを示した。
  論文  参考訳（メタデータ） (2023-07-09T18:52:01Z)
• Residual Overfit Method of Exploration [78.07532520582313]
  提案手法は,2点推定値の調整と1点オーバーフィットに基づく近似探索手法を提案する。 このアプローチは、調整されたモデルと比較して、オーバーフィットモデルが最も過度な適合を示すアクションへの探索を促進する。 ROMEを3つのデータセット上の確立されたコンテキスト的帯域幅法と比較し、最も優れたパフォーマンスの1つとみなす。
  論文  参考訳（メタデータ） (2021-10-06T17:05:33Z)
• Deep learning: a statistical viewpoint [120.94133818355645]
  ディープラーニングは、理論的観点からいくつかの大きな驚きを明らかにしました。 特に、簡単な勾配法は、最適でないトレーニング問題に対するほぼ完全な解決策を簡単に見つけます。 我々はこれらの現象を具体的原理で補うと推測する。
  論文  参考訳（メタデータ） (2021-03-16T16:26:36Z)
• Regularization via deep generative models: an analysis point of view [8.818465117061205]
  本稿では, イメージングにおける逆問題(例えば, デブロアリングやインペインティング)を, 深部生成ニューラルネットワークを用いて正則化する新しい手法を提案する。 多くの場合、我々の技術はパフォーマンスの明確な改善を実現し、より堅牢であるように思える。
  論文  参考訳（メタデータ） (2021-01-21T15:04:57Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
  本稿では,3次元形状対応のための教師なし学習手法を提案する。 提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-28T22:24:07Z)
• Deep Keypoint-Based Camera Pose Estimation with Geometric Constraints [80.60538408386016]
  連続するフレームから相対的なカメラのポーズを推定することは、視覚計測の基本的な問題である。 本稿では,検出,特徴抽出,マッチング,外乱除去のための学習可能なモジュールで構成されるエンドツーエンドのトレーニング可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-29T21:41:31Z)
• AcED: Accurate and Edge-consistent Monocular Depth Estimation [0.0]
  単一画像深度推定は難しい問題である。 完全に微分可能な順序回帰を定式化し、エンドツーエンドでネットワークを訓練する。 深度補正のための画素ごとの信頼度マップ計算も提案した。
  論文  参考訳（メタデータ） (2020-06-16T15:21:00Z)
• Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
  高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。 分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
  論文  参考訳（メタデータ） (2020-02-21T14:03:16Z)

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。