論文の概要: Fitting Skeletal Models via Graph-based Learning

• arxiv url: http://arxiv.org/abs/2409.05311v1
• Date: Mon, 9 Sep 2024 03:50:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-10 15:50:59.652448
• Title: Fitting Skeletal Models via Graph-based Learning
• Title（参考訳）: グラフベース学習による骨格モデルの適合
• Authors: Nicolás Gaggion, Enzo Ferrante, Beatriz Paniagua, Jared Vicory,
• Abstract要約: 本稿では,グラフ畳み込みネットワークを活用して,高密度セグメンテーションマスクから骨格表現(s-reps)を生成する新しいスケルトン化手法を提案する。 本手法は, 人工海馬と実際の海馬のセグメンテーションの両方で評価され, 有望な結果と高速な推測が得られた。
• 参考スコア（独自算出の注目度）: 3.059114987144684
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Skeletonization is a popular shape analysis technique that models an object's interior as opposed to just its boundary. Fitting template-based skeletal models is a time-consuming process requiring much manual parameter tuning. Recently, machine learning-based methods have shown promise for generating s-reps from object boundaries. In this work, we propose a new skeletonization method which leverages graph convolutional networks to produce skeletal representations (s-reps) from dense segmentation masks. The method is evaluated on both synthetic data and real hippocampus segmentations, achieving promising results and fast inference.
• Abstract（参考訳）: 骨格化は、ただの境界ではなく、物体の内部をモデル化する一般的な形状解析技術である。 テンプレートベースの骨格モデルを満たすことは、多くの手動パラメータチューニングを必要とする時間を要するプロセスである。 近年,オブジェクト境界からs-repsを生成する機械学習手法が提案されている。 本研究では,グラフ畳み込みネットワークを利用して高密度セグメンテーションマスクから骨格表現(s-reps)を生成する新しいスケルトン化手法を提案する。 本手法は, 人工海馬と実際の海馬のセグメンテーションの両方で評価され, 有望な結果と高速な推測が得られた。

関連論文リスト

• SkeletonMAE: Graph-based Masked Autoencoder for Skeleton Sequence Pre-training [110.55093254677638]
  我々はSkeleton Sequence Learning(SSL)という,効率的なスケルトンシーケンス学習フレームワークを提案する。 本論文では,SkeletonMAEという非対称なグラフベースのエンコーダデコーダ事前学習アーキテクチャを構築する。 我々のSSLは、さまざまなデータセットにまたがってうまく一般化し、最先端の自己教師型スケルトンベースのアクション認識手法よりも優れています。
  論文  参考訳（メタデータ） (2023-07-17T13:33:11Z)
• Skeletal Point Representations with Geometric Deep Learning [0.6696732597888386]
  物体の骨格構造を計算するための新しい幾何学用語を提案する。 結果は従来のS-repと似ているが、より高速に製造される。
  論文  参考訳（メタデータ） (2023-03-03T18:08:12Z)
• Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
  カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。 本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2022-03-23T12:52:49Z)
• SkinningNet: Two-Stream Graph Convolutional Neural Network for Skinning Prediction of Synthetic Characters [0.8629912408966145]
  SkinningNetはエンドツーエンドの2ストリームグラフニューラルネットワークアーキテクチャで、入力メッシュとその関連するスケルトンからスキンウェイトを計算する。 提案手法は,メッシュと骨格関節の最良の関係を共同で学習することで,エンドツーエンドで学習可能な方法でこれらの情報を抽出する。
  論文  参考訳（メタデータ） (2022-03-09T14:26:10Z)
• Learning to Segment Human Body Parts with Synthetically Trained Deep Convolutional Networks [58.0240970093372]
  本稿では,合成データのみを用いて学習した深部畳み込みニューラルネットワークに基づく人体部分分割のための新しい枠組みを提案する。 提案手法は,人体部品の実際の注釈付きデータを用いてモデルを訓練することなく,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-02-02T12:26:50Z)
• Progressive Spatio-Temporal Graph Convolutional Network for Skeleton-Based Human Action Recognition [97.14064057840089]
  本稿では,グラフ畳み込みネットワークのためのコンパクトで問題固有のネットワークを,段階的に自動的に見つける手法を提案する。 骨格に基づく人体行動認識のための2つのデータセットの実験結果から,提案手法は競争力あるいはより優れた分類性能を有することが示された。
  論文  参考訳（メタデータ） (2020-11-11T09:57:49Z)
• Intraoperative Liver Surface Completion with Graph Convolutional VAE [10.515163959186964]
  我々は、データセットの限られたサイズを補うために、周波数領域の形状をランダムに摂動する新しいデータ拡張手法を導入する。 本手法のコアは変分オートエンコーダ (VAE) で, 肝臓の完全な形状を学習するための潜伏空間を訓練する。 この最適化の効果は、初期生成した形状の進行非剛性変形である。
  論文  参考訳（メタデータ） (2020-09-08T17:19:31Z)
• Evaluating the Disentanglement of Deep Generative Models through Manifold Topology [66.06153115971732]
  本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。 複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
  論文  参考訳（メタデータ） (2020-06-05T20:54:11Z)
• Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
  近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。 本稿では,ボディセグメンテーションを重要な監視対象として紹介する。 部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
  論文  参考訳（メタデータ） (2020-03-24T14:25:46Z)
• Predictively Encoded Graph Convolutional Network for Noise-Robust Skeleton-based Action Recognition [6.729108277517129]
  本研究では,骨格特徴の雑音情報に対して頑健な骨格に基づく行動認識手法を提案する。 本手法は, 既存の最先端手法と比較して, スケルトンサンプルがノイズを受ける場合の優れた性能を実現する。
  論文  参考訳（メタデータ） (2020-03-17T03:37:36Z)

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。