論文の概要: Animal Identification with Independent Foreground and Background Modeling

• arxiv url: http://arxiv.org/abs/2408.12930v1
• Date: Fri, 23 Aug 2024 09:19:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-26 15:40:04.890551
• Title: Animal Identification with Independent Foreground and Background Modeling
• Title（参考訳）: 前景の独立性を考慮した動物識別と背景モデリング
• Authors: Lukas Picek, Lukas Neumann, Jiri Matas,
• Abstract要約: 本研究では,個々の動物の視覚的識別において,背景と前景をしっかりと活用する手法を提案する。 実験では、Segment Anythingのようなメソッドと独立のフォアグラウンドとバックグラウンド関連のモデリングで簡単に分離できることが示され、結果が改善された。
• 参考スコア（独自算出の注目度）: 21.917582794820095
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a method that robustly exploits background and foreground in visual identification of individual animals. Experiments show that their automatic separation, made easy with methods like Segment Anything, together with independent foreground and background-related modeling, improves results. The two predictions are combined in a principled way, thanks to novel Per-Instance Temperature Scaling that helps the classifier to deal with appearance ambiguities in training and to produce calibrated outputs in the inference phase. For identity prediction from the background, we propose novel spatial and temporal models. On two problems, the relative error w.r.t. the baseline was reduced by 22.3% and 8.8%, respectively. For cases where objects appear in new locations, an example of background drift, accuracy doubles.
• Abstract（参考訳）: 本研究では,個々の動物の視覚的識別において,背景と前景をしっかりと活用する手法を提案する。 実験では、Segment Anythingのようなメソッドと独立のフォアグラウンドとバックグラウンド関連のモデリングで簡単に分離できることが示され、結果が改善された。 この2つの予測は、トレーニングにおける外観の曖昧さに対処し、推論フェーズでキャリブレーションされたアウトプットを生成するのに役立つ新しいパーインスタンス温度スケーリング(Per-Instance temperature Scaling)によって、原則的に組み合わせられている。 背景からのアイデンティティ予測のために,新しい空間モデルと時間モデルを提案する。 2つの問題において、基準値の相対誤差は、それぞれ22.3%と8.8%削減された。 新しい場所にオブジェクトが現れる場合、背景ドリフトの例では、精度が倍になる。

関連論文リスト

• CNN Based Flank Predictor for Quadruped Animal Species [1.502956022927019]
  我々は、画像中の4つの哺乳類の視覚的な側面を予測する側面予測器を訓練する。 発達したモデルは、未知の環境と未知の環境において、異なる未知の四つ組種の異なるシナリオで評価された。 EfficientNetV2のバックボーンで訓練された最良のモデルは、複雑な生息地において未知の種であるlynxに対して88.70%の精度を達成した。
  論文  参考訳（メタデータ） (2024-06-19T14:24:26Z)
• Common-Sense Bias Discovery and Mitigation for Classification Tasks [16.8259488742528]
  画像記述に基づいてデータセットの特徴クラスタを抽出するフレームワークを提案する。 解析された特徴と相関は人間に解釈可能であるので、我々はCommon-Sense Bias Discovery (CSBD) という手法を名づける。 実験の結果,2つのベンチマーク画像データセットに対して,複数の分類タスクに新たなバイアスが生じることがわかった。
  論文  参考訳（メタデータ） (2024-01-24T03:56:07Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• DiffPose: SpatioTemporal Diffusion Model for Video-Based Human Pose Estimation [16.32910684198013]
  本稿では、条件付きヒートマップ生成問題として、ビデオに基づく人間のポーズ推定を定式化する新しい拡散アーキテクチャDiffPoseを提案する。 ポーズ推定タスクにおけるDiffPoseの特徴として,(i)複数のポーズ推定を組み合わせて予測精度を向上させる能力,(ii)モデルを再訓練することなく特徴改善のための反復的なステップ数を調整する能力,の2点を挙げる。
  論文  参考訳（メタデータ） (2023-07-31T14:00:23Z)
• Boosting Few-shot Fine-grained Recognition with Background Suppression and Foreground Alignment [53.401889855278704]
  FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。 本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。 複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-04T07:54:40Z)
• Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation [70.32536356351706]
  本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。 ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。 本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2022-03-29T07:14:58Z)
• Y-GAN: Learning Dual Data Representations for Efficient Anomaly Detection [0.0]
  本稿では,Y-GANと呼ばれる新しい再構成モデルを提案する。 モデルはY字型のオートエンコーダで構成され、2つの別々の潜在空間の画像を表現している。
  論文  参考訳（メタデータ） (2021-09-28T20:17:04Z)
• Self-Paced Uncertainty Estimation for One-shot Person Re-Identification [9.17071384578203]
  本稿では,単発人物の自己ペース不確実性推定ネットワーク(spue-net)を提案する。 自己ペースサンプリング戦略を導入することで,ラベルなしサンプルの擬似ラベルを反復的に推定し,ラベル付きサンプルを拡張できる。 さらに,局所不確実性推定と決定性推定を併用した協調学習手法を適用し,より優れた隠れ空間特徴抽出を実現する。
  論文  参考訳（メタデータ） (2021-04-19T09:20:30Z)
• CharacterGAN: Few-Shot Keypoint Character Animation and Reposing [64.19520387536741]
  本稿では,与えられた文字の少数のサンプルに対してのみトレーニング可能な生成モデルである characterGAN を紹介する。 我々のモデルはキーポイント位置に基づいて新しいポーズを生成し、インタラクティブなフィードバックを提供しながらリアルタイムで修正することができる。 提案手法は,近年のベースラインよりも優れており,多様なキャラクタに対してリアルなアニメーションを生成する。
  論文  参考訳（メタデータ） (2021-02-05T12:38:15Z)
• Background Splitting: Finding Rare Classes in a Sea of Background [55.03789745276442]
  我々は,少数の稀なカテゴリの画像分類のための,高精度な深層モデルの訓練という現実的な問題に焦点をあてる。 これらのシナリオでは、ほとんどの画像はデータセットの背景カテゴリに属します(データセットの95%は背景です)。 非バランスなデータセットをトレーニングするための標準的な微調整アプローチと最先端アプローチの両方が、この極端な不均衡の存在下で正確な深層モデルを生成していないことを実証する。
  論文  参考訳（メタデータ） (2020-08-28T23:05:15Z)
• Noise or Signal: The Role of Image Backgrounds in Object Recognition [93.55720207356603]
  我々は、ImageNetイメージ上の前景と背景信号をアンタングリングするためのツールキットを作成する。 a)モデルが背景のみに依存して非自明な精度が得られること、(b)モデルが正しく分類された前景が存在する場合でも、しばしば画像の分類を誤っていること、が分かる。
  論文  参考訳（メタデータ） (2020-06-17T16:54:43Z)

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。