論文の概要: Rethinking Rotation-Invariant Recognition of Fine-grained Shapes from the Perspective of Contour Points

• arxiv url: http://arxiv.org/abs/2503.10992v1
• Date: Fri, 14 Mar 2025 01:34:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:07:35.140480
• Title: Rethinking Rotation-Invariant Recognition of Fine-grained Shapes from the Perspective of Contour Points
• Title（参考訳）: 輪郭点から見たきめ細かい形状の回転不変認識の再考
• Authors: Yanjie Xu, Handing Xu, Tianmu Wang, Yaguan Li, Yunzhi Chen, Zhenguo Nie,
• Abstract要約: 形状認識のための輪郭幾何学的認識に基づく反雑音回転不変畳み込みモジュールを提案する。 その結果, 粒状形状の回転不変認識において, 優れた性能を示すことがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Rotation-invariant recognition of shapes is a common challenge in computer vision. Recent approaches have significantly improved the accuracy of rotation-invariant recognition by encoding the rotational invariance of shapes as hand-crafted image features and introducing deep neural networks. However, the methods based on pixels have too much redundant information, and the critical geometric information is prone to early leakage, resulting in weak rotation-invariant recognition of fine-grained shapes. In this paper, we reconsider the shape recognition problem from the perspective of contour points rather than pixels. We propose an anti-noise rotation-invariant convolution module based on contour geometric aware for fine-grained shape recognition. The module divides the shape contour into multiple local geometric regions(LGA), where we implement finer-grained rotation-invariant coding in terms of point topological relations. We provide a deep network composed of five such cascaded modules for classification and retrieval experiments. The results show that our method exhibits excellent performance in rotation-invariant recognition of fine-grained shapes. In addition, we demonstrate that our method is robust to contour noise and the rotation centers. The source code is available at https://github.com/zhenguonie/ANRICN_CGA.
• Abstract（参考訳）: 形状の回転不変認識はコンピュータビジョンにおいて一般的な課題である。 近年,手作り画像の特徴として形状の回転不変性を符号化し,深層ニューラルネットワークを導入することにより,回転不変認識の精度を大幅に向上させた。 しかし、画素に基づく手法には冗長な情報が多すぎるため、臨界幾何学的情報は早期に漏れやすいため、微粒な形状の回転不変性が弱い。 本稿では,画素ではなく輪郭点の観点から形状認識問題を再考する。 形状認識のための輪郭幾何学的認識に基づく反雑音回転不変畳み込みモジュールを提案する。 モジュールは形状輪郭を複数の局所幾何学的領域(LGA)に分割し、点位相関係の観点からよりきめ細かい回転不変符号を実装する。 分類および検索実験のための5つのカスケードモジュールからなるディープネットワークを提供する。 その結果, 粒状形状の回転不変認識において, 優れた性能を示すことがわかった。 さらに,本手法は輪郭騒音や回転中心に対して頑健であることを示す。 ソースコードはhttps://github.com/zhenguonie/ANRICN_CGAで公開されている。

関連論文リスト

• ESCAPE: Equivariant Shape Completion via Anchor Point Encoding [79.59829525431238]
  回転同変形状補完を実現するためのフレームワークであるESCAPEを紹介する。 ESCAPEは、形状からアンカーポイントを選択し、すべてのポイントを全てのアンカーポイントまでの距離として表現することで、独特の符号化戦略を採用している。 ESCAPEは任意の回転と翻訳をまたいだ堅牢で高品質な再構成を実現する。
  論文  参考訳（メタデータ） (2024-12-01T20:05:14Z)
• PaRot: Patch-Wise Rotation-Invariant Network via Feature Disentanglement and Pose Restoration [16.75367717130046]
  最先端モデルは回転に対して堅牢ではなく、実際の応用に先立って未知のままである。 Patch-wise Rotation-invariant Network (PaRot)を導入する。 本モジュールは高品質な回転ロバスト特性を抽出し,提案した軽量モデルにより競争結果が得られた。
  論文  参考訳（メタデータ） (2023-02-06T02:13:51Z)
• RecRecNet: Rectangling Rectified Wide-Angle Images by Thin-Plate Spline Model and DoF-based Curriculum Learning [62.86400614141706]
  我々はRecRecNet(Rectangling Rectification Network)という新しい学習モデルを提案する。 我々のモデルは、ソース構造をターゲット領域に柔軟にワープし、エンドツーエンドの非教師なし変形を実現する。 実験により, 定量評価と定性評価の両面において, 比較法よりも解法の方が優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-04T15:12:57Z)
• Rethinking Rotation Invariance with Point Cloud Registration [18.829454172955202]
  本稿では, 回転不変形状符号化, 整列化機能統合, 深部特徴登録の3段階を通した回転不変性学習のための効果的なフレームワークを提案する。 3次元形状分類,部分分割,検索タスクの実験結果から,本研究の可能性が確認された。
  論文  参考訳（メタデータ） (2022-12-31T08:17:09Z)
• Shape-Pose Disentanglement using SE(3)-equivariant Vector Neurons [59.83721247071963]
  本研究では,点雲を標準形状表現に符号化するための教師なし手法を提案する。 エンコーダは安定で一貫性があり、形状のエンコーダは純粋にポーズ不変である。 抽出された回転と変換は、同じクラスの異なる入力形状を共通の標準ポーズに意味的に整合させることができる。
  論文  参考訳（メタデータ） (2022-04-03T21:00:44Z)
• Augmenting Implicit Neural Shape Representations with Explicit Deformation Fields [95.39603371087921]
  入射神経表現は、ニューラルネットワークのゼロレベルセットとして形状収集を学ぶための最近のアプローチである。 我々は,暗黙的ニューラル表現に対する変形認識正規化を提唱し,遅延コードの変化として可塑性変形を生成することを目的とした。
  論文  参考訳（メタデータ） (2021-08-19T22:07:08Z)
• ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
  本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。 複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
  論文  参考訳（メタデータ） (2021-02-16T04:07:13Z)
• Rotation-Invariant Local-to-Global Representation Learning for 3D Point Cloud [42.86112554931754]
  本稿では,3次元点クラウドデータに対する局所的-言語的表現学習アルゴリズムを提案する。 本モデルは,グラフ畳み込みニューラルネットワークに基づく多レベル抽象化を利用する。 提案アルゴリズムは,3次元物体の回転認識とセグメント化のベンチマークにおいて,最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-10-07T10:30:20Z)
• ProAlignNet : Unsupervised Learning for Progressively Aligning Noisy Contours [12.791313859673187]
  ProAlignNetは、輪郭形状間の大規模なミスアライメントと複雑な変換を説明できる。 近接感度および局所形状依存類似度測定値の上界から導出される新しい損失関数を用いて学習する。 実世界の2つの応用において、提案したモデルは最先端の手法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2020-05-23T14:56:14Z)
• A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
  ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。 また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。 本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
  論文  参考訳（メタデータ） (2020-03-16T14:04:45Z)

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。