論文の概要: Improving Viewpoint-Independent Object-Centric Representations through Active Viewpoint Selection

• arxiv url: http://arxiv.org/abs/2411.00402v1
• Date: Fri, 01 Nov 2024 07:01:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:40:20.234603
• Title: Improving Viewpoint-Independent Object-Centric Representations through Active Viewpoint Selection
• Title（参考訳）: アクティブ視点選択による視点非依存オブジェクト中心表現の改善
• Authors: Yinxuan Huang, Chengmin Gao, Bin Li, Xiangyang Xue,
• Abstract要約: 対象中心学習のための新しいアクティブ視点選択戦略を提案する。 各シーンの観察画像からの情報に基づいて、未知の視点から画像を予測する。 本手法は未知の視点から正確に画像を予測することができる。
• 参考スコア（独自算出の注目度）: 41.419853273742746
• License:
• Abstract: Given the complexities inherent in visual scenes, such as object occlusion, a comprehensive understanding often requires observation from multiple viewpoints. Existing multi-viewpoint object-centric learning methods typically employ random or sequential viewpoint selection strategies. While applicable across various scenes, these strategies may not always be ideal, as certain scenes could benefit more from specific viewpoints. To address this limitation, we propose a novel active viewpoint selection strategy. This strategy predicts images from unknown viewpoints based on information from observation images for each scene. It then compares the object-centric representations extracted from both viewpoints and selects the unknown viewpoint with the largest disparity, indicating the greatest gain in information, as the next observation viewpoint. Through experiments on various datasets, we demonstrate the effectiveness of our active viewpoint selection strategy, significantly enhancing segmentation and reconstruction performance compared to random viewpoint selection. Moreover, our method can accurately predict images from unknown viewpoints.
• Abstract（参考訳）: 物体の隠蔽のような視覚シーンに固有の複雑さを考えると、包括的理解は複数の視点から観察を必要とすることが多い。 既存の多視点オブジェクト中心学習手法は、通常ランダムまたはシーケンシャルな視点選択戦略を用いる。 様々な場面に適用できるが、これらの戦略は必ずしも理想的ではないかもしれない。 この制限に対処するため、我々は新しいアクティブな視点選択戦略を提案する。 この戦略は、各シーンの観察画像の情報に基づいて、未知の視点から画像を予測する。 次に、両視点から抽出された対象中心の表現を比較し、未知の視点を最大の相違点として選択し、次の視点として情報の最大の利得を示す。 様々なデータセットの実験を通じて、ランダムな視点選択よりもセグメンテーションと再構成性能を大幅に向上させ、アクティブな視点選択戦略の有効性を実証する。 さらに、未知の視点から画像を正確に予測することができる。

関連論文リスト

• Freeview Sketching: View-Aware Fine-Grained Sketch-Based Image Retrieval [85.73149096516543]
  微細スケッチベース画像検索(FG-SBIR)におけるスケッチ作成時の視点選択について検討する。 パイロットスタディでは、クエリスケッチがターゲットインスタンスと異なる場合、システムの苦労を強調している。 これを解決するために、ビューに依存しないタスクとビュー固有のタスクの両方をシームレスに収容するビューアウェアシステムを提案する。
  論文  参考訳（メタデータ） (2024-07-01T21:20:44Z)
• Semantic-Based Active Perception for Humanoid Visual Tasks with Foveal Sensors [49.99728312519117]
  この研究の目的は、最近の意味に基づくアクティブな知覚モデルが、人間が定期的に行う視覚的なタスクをいかに正確に達成できるかを確立することである。 このモデルは、現在のオブジェクト検出器が多数のオブジェクトクラスをローカライズし、分類し、複数の固定にまたがるシーンのセマンティック記述を更新する能力を利用する。 シーン探索の課題では、セマンティック・ベースの手法は従来のサリエンシ・ベース・モデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-04-16T18:15:57Z)
• Unsupervised Object-Centric Learning from Multiple Unspecified Viewpoints [45.88397367354284]
  我々は、監督を使わずに、複数の特定されていない視点から構成シーン表現を学習する新しい問題を考える。 本稿では,潜在表現を視点に依存しない部分と視点に依存しない部分とに分離し,この問題を解決するための深層生成モデルを提案する。 いくつかの特別に設計された合成データセットの実験により、提案手法は複数の特定されていない視点から効果的に学習できることが示されている。
  論文  参考訳（メタデータ） (2024-01-03T15:09:25Z)
• Learning to Select Camera Views: Efficient Multiview Understanding at Few Glances [59.34619548026885]
  本稿では,対象物やシナリオを所定のビューから分析し,処理に最適なビューを選択するビュー選択手法を提案する。 提案手法は,MVSelectという強化学習に基づくカメラ選択モジュールを備えており,ビューの選択だけでなく,タスクネットワークとの協調トレーニングも容易である。
  論文  参考訳（メタデータ） (2023-03-10T18:59:10Z)
• A Study on Self-Supervised Object Detection Pretraining [14.38896715041483]
  対象検出モデルの自己教師付き事前学習に対する様々なアプローチについて検討する。 まず、画像から空間的に一貫した密度表現を学習するための一般的なフレームワークを設計する。 ボックス生成,特徴抽出戦略,複数ビューなど,文献における既存の設計選択について検討する。
  論文  参考訳（メタデータ） (2022-07-09T03:30:44Z)
• Unsupervised Learning of Compositional Scene Representations from Multiple Unspecified Viewpoints [41.07379505694274]
  我々は、監督を使わずに、複数の特定されていない視点から構成シーン表現を学習する新しい問題を考える。 本稿では,潜在表現を視点に依存しない部分と視点に依存しない部分とに分離し,この問題を解決するための深層生成モデルを提案する。 いくつかの特別に設計された合成データセットの実験により、提案手法は複数の特定されていない視点から効果的に学習できることが示されている。
  論文  参考訳（メタデータ） (2021-12-07T08:45:21Z)
• Weakly Supervised Keypoint Discovery [27.750244813890262]
  画像レベルの監視を用いた2次元画像からのキーポイント発見手法を提案する。 本手法は,弱い教師付き学習アプローチに動機付けられ,画像レベルの監視を利用して識別部品を識別する。 本手法は,限られた監督シナリオにおけるキーポイント推定タスクの最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-09-28T01:26:53Z)
• A Simple and Effective Use of Object-Centric Images for Long-Tailed Object Detection [56.82077636126353]
  シーン中心画像における物体検出を改善するために,物体中心画像を活用する。 私たちは、シンプルで驚くほど効果的なフレームワークを提示します。 我々の手法は、レアオブジェクトのオブジェクト検出(およびインスタンスセグメンテーション)の精度を相対的に50%(および33%)向上させることができる。
  論文  参考訳（メタデータ） (2021-02-17T17:27:21Z)
• Random Forest for Dissimilarity-based Multi-view Learning [8.185807285320553]
  本研究では、ランダムフォレスト近接測度を用いて、相似性表現を構築することができることを示す。 次に、ビュー固有の相似性表現をよりうまく組み合わせるための動的ビュー選択法を提案する。
  論文  参考訳（メタデータ） (2020-07-16T14:52:52Z)

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。