論文の概要: Gaussian Mixture based Evidential Learning for Stereo Matching

• arxiv url: http://arxiv.org/abs/2408.02796v1
• Date: Mon, 5 Aug 2024 19:23:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-07 15:48:36.988936
• Title: Gaussian Mixture based Evidential Learning for Stereo Matching
• Title（参考訳）: ガウス混合に基づくステレオマッチングのための証拠学習
• Authors: Weide Liu, Xingxing Wang, Lu Wang, Jun Cheng, Fayao Liu, Xulei Yang,
• Abstract要約: 本フレームワークは,ステレオマッチングにおいて,個々の画像データが混合ガウス分布に従属することを示す。 提案手法は、ドメイン内検証データとクロスドメインデータセットの両方に対して、最先端の新たな結果を得た。
• 参考スコア（独自算出の注目度）: 20.143918649298424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we introduce a novel Gaussian mixture based evidential learning solution for robust stereo matching. Diverging from previous evidential deep learning approaches that rely on a single Gaussian distribution, our framework posits that individual image data adheres to a mixture-of-Gaussian distribution in stereo matching. This assumption yields more precise pixel-level predictions and more accurately mirrors the real-world image distribution. By further employing the inverse-Gamma distribution as an intermediary prior for each mixture component, our probabilistic model achieves improved depth estimation compared to its counterpart with the single Gaussian and effectively captures the model uncertainty, which enables a strong cross-domain generation ability. We evaluated our method for stereo matching by training the model using the Scene Flow dataset and testing it on KITTI 2015 and Middlebury 2014. The experiment results consistently show that our method brings improvements over the baseline methods in a trustworthy manner. Notably, our approach achieved new state-of-the-art results on both the in-domain validated data and the cross-domain datasets, demonstrating its effectiveness and robustness in stereo matching tasks.
• Abstract（参考訳）: 本稿では,ロバストなステレオマッチングのための新しいガウス混合法を提案する。 従来の1つのガウス分布に依存する明らかな深層学習アプローチとは違い,我々のフレームワークは,個々の画像データがステレオマッチングにおける混合ガウス分布に固執していることを示唆している。 この仮定はより正確なピクセルレベルの予測をもたらし、より正確に現実世界の画像分布を反映する。 各混合成分の中間体として逆ガンマ分布を更に活用することにより、確率的モデルは、単一のガウスモデルと比較して、より優れた深さ推定を実現し、モデルの不確実性を効果的に捕捉し、強力なクロスドメイン生成能力を実現する。 我々は、Scene Flowデータセットを用いてモデルをトレーニングし、KITTI 2015とMiddlebury 2014でテストすることでステレオマッチングの手法を評価した。 実験結果から,本手法は信頼性の高い方法でベースライン手法に改良をもたらすことが明らかとなった。 特に、本手法は、ドメイン内検証データとドメイン間データセットの両方に対して、その有効性とステレオマッチングタスクの堅牢性を示す、最先端の新たな結果を得た。

関連論文リスト

• Mixup Regularization: A Probabilistic Perspective [11.501663622998697]
  本稿では,確率的融合に基づく混合正規化のための新しいフレームワークを提案する。 指数族にしたがって分布するデータに対して、可能性関数は解析的に融合可能であることを示す。 本稿では,ニューラルネットワークの任意の中間層における入力の融合を可能にする確率的ミックスアップの拡張を提案する。
  論文  参考訳（メタデータ） (2025-02-19T15:39:14Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Learning Gaussian Representation for Eye Fixation Prediction [54.88001757991433]
  既存のアイ固定予測方法は、入力画像から原固定点から生成された対応する濃密な固定マップへのマッピングを行う。 本稿ではアイフィグレーションモデリングのためのガウス表現について紹介する。 我々は,リアルタイムな固定予測を実現するために,軽量なバックボーン上にフレームワークを設計する。
  論文  参考訳（メタデータ） (2024-03-21T20:28:22Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• MixupE: Understanding and Improving Mixup from Directional Derivative Perspective [86.06981860668424]
  理論上は、バニラ・ミックスアップよりも優れた一般化性能を実現するために、Mixupの改良版を提案する。 提案手法は,様々なアーキテクチャを用いて,複数のデータセットにまたがるMixupを改善した。
  論文  参考訳（メタデータ） (2022-12-27T07:03:52Z)
• Gaussian Graphical Models as an Ensemble Method for Distributed Gaussian Processes [8.4159776055506]
  我々はガウスの専門家の予測をガウス図形モデル(GGM)により集約する新しいアプローチを提案する。 まず、予測最大化(EM)アルゴリズムを用いて、潜伏変数と観測変数の合同分布を推定する。 我々の新しい手法は他の最先端のDGP手法よりも優れている。
  論文  参考訳（メタデータ） (2022-02-07T15:22:56Z)
• Density Ratio Estimation via Infinitesimal Classification [85.08255198145304]
  そこで我々は, DRE-inftyを提案する。 DRE-inftyは, 密度比推定(DRE)を, より簡単なサブプロブレムに還元する手法である。 モンテカルロ法にインスパイアされ、中間ブリッジ分布の無限連続体を介して2つの分布の間を滑らかに補間する。 提案手法は,複雑な高次元データセット上での相互情報推定やエネルギーベースモデリングなどの下流タスクにおいて良好に動作することを示す。
  論文  参考訳（メタデータ） (2021-11-22T06:26:29Z)
• A New Robust Multivariate Mode Estimator for Eye-tracking Calibration [0.0]
  本稿では,多変量分布の主モードを推定する新しい手法を提案する。 この種のマルチモーダル分布では、ほとんどの中心的傾向測度は主固定座標の推定に失敗する。 そこで我々は,BRILと呼ばれる多変量分布の第1モードを同定するアルゴリズムを開発した。 クラスタにグループ化され,ランダムに分散された,非常に高い割合のアウトリーチを含む分布においても,優れた性能が得られた。
  論文  参考訳（メタデータ） (2021-07-16T17:45:19Z)
• A similarity-based Bayesian mixture-of-experts model [0.5156484100374058]
  多変量回帰問題に対する新しい非パラメトリック混合実験モデルを提案する。 条件付きモデルを用いて、サンプル外入力の予測は、観測された各データポイントと類似性に基づいて行われる。 混合物のパラメータと距離測定値に基づいて後部推論を行う。
  論文  参考訳（メタデータ） (2020-12-03T18:08:30Z)
• Distributed Sketching Methods for Privacy Preserving Regression [54.51566432934556]
  ランダム化されたスケッチを利用して、問題の次元を減らし、プライバシを保ち、非同期分散システムにおけるストラグラーレジリエンスを改善します。 従来のスケッチ手法に対する新しい近似保証を導出し、分散スケッチにおけるパラメータ平均化の精度を解析する。 大規模実験によるサーバレスコンピューティングプラットフォームにおける分散スケッチのパフォーマンスについて説明する。
  論文  参考訳（メタデータ） (2020-02-16T08:35:48Z)

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。