論文の概要: Why and How: Knowledge-Guided Learning for Cross-Spectral Image Patch Matching

• arxiv url: http://arxiv.org/abs/2412.11161v1
• Date: Sun, 15 Dec 2024 11:59:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:57:26.413807
• Title: Why and How: Knowledge-Guided Learning for Cross-Spectral Image Patch Matching
• Title（参考訳）: クロススペクトル画像マッチングのための知識指導型学習の理由と方法
• Authors: Chuang Yu, Yunpeng Liu, Jinmiao Zhao, Xiangyu Yue,
• Abstract要約: 特徴関係学習に基づくクロススペクトル画像パッチマッチングが注目されている。 我々は、記述子学習とメートル法学習の間の安定的で効率的な橋渡しを初めて試みる。 我々は,知識誘導学習ネットワーク(KGL-Net)を構築し,優れた性能向上を実現する。
• 参考スコア（独自算出の注目度）: 7.699066648931588
• License:
• Abstract: Recently, cross-spectral image patch matching based on feature relation learning has attracted extensive attention. However, performance bottleneck problems have gradually emerged in existing methods. To address this challenge, we make the first attempt to explore a stable and efficient bridge between descriptor learning and metric learning, and construct a knowledge-guided learning network (KGL-Net), which achieves amazing performance improvements while abandoning complex network structures. Specifically, we find that there is feature extraction consistency between metric learning based on feature difference learning and descriptor learning based on Euclidean distance. This provides the foundation for bridge building. To ensure the stability and efficiency of the constructed bridge, on the one hand, we conduct an in-depth exploration of 20 combined network architectures. On the other hand, a feature-guided loss is constructed to achieve mutual guidance of features. In addition, unlike existing methods, we consider that the feature mapping ability of the metric branch should receive more attention. Therefore, a hard negative sample mining for metric learning (HNSM-M) strategy is constructed. To the best of our knowledge, this is the first time that hard negative sample mining for metric networks has been implemented and brings significant performance gains. Extensive experimental results show that our KGL-Net achieves SOTA performance in three different cross-spectral image patch matching scenarios. Our code are available at https://github.com/YuChuang1205/KGL-Net.
• Abstract（参考訳）: 近年,特徴関係学習に基づくクロススペクトル画像パッチマッチングが注目されている。 しかし,既存の手法では,性能のボトルネックが徐々に顕在化している。 この課題に対処するため、我々は、記述子学習とメートル法学習の安定的で効率的な橋渡しを初めて試み、複雑なネットワーク構造を放棄しながら素晴らしい性能向上を実現する知識誘導学習ネットワーク(KGL-Net)を構築する。 具体的には,特徴差学習に基づくメートル法学習とユークリッド距離に基づく記述子学習との間に特徴抽出一貫性があることを見出した。 橋梁建設の基礎となる。 橋梁の安定性と効率性を確保するため,20の複合ネットワークアーキテクチャを詳細に調査する。 一方、特徴の相互誘導を実現するため、特徴誘導損失を構築する。 また,既存の手法と異なり,メトリックブランチの特徴マッピング機能に注意を払わなければならない。 したがって、計量学習(HNSM-M)戦略のための強い負のサンプルマイニングが構築される。 我々の知る限りでは、メートル法ネットワークに対する強い負のサンプルマイニングが実装され、大きなパフォーマンス向上をもたらしたのは今回が初めてである。 我々のKGL-Netは3つの異なる画像パッチマッチングシナリオにおいてSOTA性能を達成することを示す。 私たちのコードはhttps://github.com/YuChuang1205/KGL-Netで公開されています。

関連論文リスト

• Class Anchor Margin Loss for Content-Based Image Retrieval [97.81742911657497]
  距離学習パラダイムに該当する新しいレペラ・トラクタ損失を提案するが、ペアを生成する必要がなく、直接L2メトリックに最適化する。 CBIRタスクにおいて,畳み込みアーキテクチャと変圧器アーキテクチャの両方を用いて,少数ショットおよびフルセットトレーニングの文脈で提案した目的を評価する。
  論文  参考訳（メタデータ） (2023-06-01T12:53:10Z)
• SuSana Distancia is all you need: Enforcing class separability in metric learning via two novel distance-based loss functions for few-shot image classification [0.9236074230806579]
  本稿では,少数のデータ間のクラス内距離とクラス間距離を調べることで,埋め込みベクトルの重要性を考慮に入れた2つの損失関数を提案する。 以上の結果から,miniImagenNetベンチマークの精度は,他のメトリクスベースの数ショット学習手法に比べて2%向上した。
  論文  参考訳（メタデータ） (2023-05-15T23:12:09Z)
• Learning to Learn with Indispensable Connections [6.040904021861969]
  本稿では,メタ-LTHと呼ばれるメタ-LTHと呼ばれるメタ-ラーニング手法を提案する。 本手法は,オムニグロットデータセットの分類精度を約2%向上させる。
  論文  参考訳（メタデータ） (2023-04-06T04:53:13Z)
• Contrastive Learning of Features between Images and LiDAR [18.211513930388417]
  この研究は、クロスモーダルな特徴を密接な対照的な学習問題として扱う。 優れた特徴を学習し、一般性を損なわないために、画像に広く使われているPointNet++アーキテクチャの亜種を開発した。 我々のモデルでは,特徴を可視化することで,画像とLiDARの両方から情報を学習できることが示されている。
  論文  参考訳（メタデータ） (2022-06-24T04:35:23Z)
• Towards Interpretable Deep Metric Learning with Structural Matching [86.16700459215383]
  より透過的な埋め込み学習のための深層解釈可能なメトリック学習(DIML)法を提案する。 本手法は,既製のバックボーンネットワークやメトリック学習手法に適用可能な,モデルに依存しない手法である。 我々は,CUB200-2011,Cars196,Stanford Online Productsの3つの大規模メトリクス学習ベンチマークで評価を行った。
  論文  参考訳（メタデータ） (2021-08-12T17:59:09Z)
• Decoupled and Memory-Reinforced Networks: Towards Effective Feature Learning for One-Step Person Search [65.51181219410763]
  歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。 現在のワンステップアプローチには2つの大きな課題があります。 本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
  論文  参考訳（メタデータ） (2021-02-22T06:19:45Z)
• Fast Few-Shot Classification by Few-Iteration Meta-Learning [173.32497326674775]
  数ショット分類のための高速な最適化に基づくメタラーニング手法を提案する。 我々の戦略はメタ学習において学習すべき基礎学習者の目的の重要な側面を可能にする。 我々は、我々のアプローチの速度と効果を実証し、総合的な実験分析を行う。
  論文  参考訳（メタデータ） (2020-10-01T15:59:31Z)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)
• ResNeSt: Split-Attention Networks [86.25490825631763]
  このアーキテクチャは、異なるネットワークブランチにチャンネルワイズを応用し、機能間相互作用のキャプチャと多様な表現の学習の成功を活用する。 我々のモデルはResNeStと呼ばれ、画像分類の精度と遅延トレードオフにおいてEfficientNetより優れています。
  論文  参考訳（メタデータ） (2020-04-19T20:40:31Z)

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。