論文の概要: Denoising Nearest Neighbor Graph via Continuous CRF for Visual Re-ranking without Fine-tuning

• arxiv url: http://arxiv.org/abs/2412.13875v1
• Date: Wed, 18 Dec 2024 14:16:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-19 16:47:54.706308
• Title: Denoising Nearest Neighbor Graph via Continuous CRF for Visual Re-ranking without Fine-tuning
• Title（参考訳）: 微視的調整を伴わない視覚再構成のための連続CRFによる最近傍グラフの特定
• Authors: Jaeyoon Kim, Yoonki Cho, Taeyong Kim, Sung-Eui Yoon,
• Abstract要約: 連続条件ランダム場(C-CRF)に基づく相補的復調法を提案する。 本手法の相補性を3つの視覚的再分類法に適用して示す。
• 参考スコア（独自算出の注目度）: 15.880661910248827
• License:
• Abstract: Visual re-ranking using Nearest Neighbor graph~(NN graph) has been adapted to yield high retrieval accuracy, since it is beneficial to exploring an high-dimensional manifold and applicable without additional fine-tuning. The quality of visual re-ranking using NN graph, however, is limited to that of connectivity, i.e., edges of the NN graph. Some edges can be misconnected with negative images. This is known as a noisy edge problem, resulting in a degradation of the retrieval quality. To address this, we propose a complementary denoising method based on Continuous Conditional Random Field (C-CRF) that uses a statistical distance of our similarity-based distribution. This method employs the concept of cliques to make the process computationally feasible. We demonstrate the complementarity of our method through its application to three visual re-ranking methods, observing quality boosts in landmark retrieval and person re-identification (re-ID).
• Abstract（参考訳）: 近近辺グラフ~(NNグラフ)を用いた視覚的再分類は、高次元多様体の探索に有用であり、追加の微調整なしで適用できるため、高い精度が得られるように適応されている。 しかし、NNグラフを用いた視覚的再ランク付けの品質は、接続性、すなわちNNグラフのエッジに制限される。 いくつかのエッジは負の画像と誤接続されることがある。 これはノイズの多いエッジ問題として知られ、結果として検索品質が低下する。 そこで本研究では,C-CRF(Continuous Conditional Random Field,連続条件ランダム場)に基づく相補的復調法を提案する。 この方法は、計算処理を可能とするために、cliquesという概念を用いる。 ランドマーク検索における品質向上と人物再識別(re-ID)の3つの視覚的再評価手法の適用を通じて,提案手法の相補性を実証する。

関連論文リスト

• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• You Can't Ignore Either: Unifying Structure and Feature Denoising for Robust Graph Learning [34.52299775051481]
  我々は、構造と特徴のデッドロックを解き放つために、統一グラフ復調(UGD)フレームワークを開発する。 具体的には、ノイズエッジを認識するために、高次近傍評価法を提案する。 また,グラフオートエンコーダをベースとした,ノイズの多い特徴の再現も提案する。
  論文  参考訳（メタデータ） (2024-08-01T16:43:55Z)
• Fast graph-based denoising for point cloud color information [29.126056066012264]
  例えば、3Dポイントクラウドを使ったライブストリーミングでは、視覚的品質を高めるためにリアルタイムのポイントクラウドデノゲーション方法が必要である。 本稿では,大規模クラウドのための高速グラフベースデノイング(FGBD)を提案する。 本実験では,従来の復調法と比較して精度を保ちながら,処理時間を劇的に短縮することに成功した。
  論文  参考訳（メタデータ） (2024-01-18T04:51:41Z)
• Deep Graph Neural Networks via Posteriori-Sampling-based Node-Adaptive Residual Module [65.81781176362848]
  グラフニューラルネットワーク(GNN)は、近隣情報収集を通じてグラフ構造化データから学習することができる。 レイヤーの数が増えるにつれて、ノード表現は区別不能になり、オーバー・スムーシング(over-smoothing)と呼ばれる。 我々は,textbfPosterior-Sampling-based, Node-distinguish Residual Module (PSNR)を提案する。
  論文  参考訳（メタデータ） (2023-05-09T12:03:42Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Dynamic Attentive Graph Learning for Image Restoration [6.289143409131908]
  画像復元のためのパッチレベルにおける動的非局所特性を探索する動的注意グラフ学習モデル(DAGL)を提案する。 我々のDAGLは、精度と視覚的品質に優れた最先端の結果を得ることができる。
  論文  参考訳（メタデータ） (2021-09-14T12:19:15Z)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)

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。