論文の概要: Edge Detection based on Channel Attention and Inter-region Independence Test

• arxiv url: http://arxiv.org/abs/2505.01040v1
• Date: Fri, 02 May 2025 06:30:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:19.933799
• Title: Edge Detection based on Channel Attention and Inter-region Independence Test
• Title（参考訳）: チャネル注意と地域間独立テストに基づくエッジ検出
• Authors: Ru-yu Yan, Da-Qing Zhang,
• Abstract要約: 既存のエッジ検出法は、しばしばノイズ増幅と非塩分詳細の過剰な保持に悩まされる。 本稿では,CAM(Channel Attention Mechanism)とEDIT(Independent Testing)によるエッジ検出を統合した新しいフレームワークであるCAM-EDITを提案する。 CAM-EDITのF測定値は0.635と0.460であり、従来の方法よりも19.2%から26.5%改善している。
• 参考スコア（独自算出の注目度）: 2.8724598079549715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing edge detection methods often suffer from noise amplification and excessive retention of non-salient details, limiting their applicability in high-precision industrial scenarios. To address these challenges, we propose CAM-EDIT, a novel framework that integrates Channel Attention Mechanism (CAM) and Edge Detection via Independence Testing (EDIT). The CAM module adaptively enhances discriminative edge features through multi-channel fusion, while the EDIT module employs region-wise statistical independence analysis (using Fisher's exact test and chi-square test) to suppress uncorrelated noise.Extensive experiments on BSDS500 and NYUDv2 datasets demonstrate state-of-the-art performance. Among the nine comparison algorithms, the F-measure scores of CAM-EDIT are 0.635 and 0.460, representing improvements of 19.2\% to 26.5\% over traditional methods (Canny, CannySR), and better than the latest learning based methods (TIP2020, MSCNGP). Noise robustness evaluations further reveal a 2.2\% PSNR improvement under Gaussian noise compared to baseline methods. Qualitative results exhibit cleaner edge maps with reduced artifacts, demonstrating its potential for high-precision industrial applications.
• Abstract（参考訳）: 既存のエッジ検出手法は、しばしばノイズの増幅と非塩分の詳細の過剰な保持に悩まされ、高い精度の工業シナリオにおける適用性を制限する。 これらの課題に対処するため,CAM(Channel Attention Mechanism)とEDIT(Edge Detection via Independence Testing)を統合した新しいフレームワークであるCAM-EDITを提案する。 CAMモジュールはマルチチャネル融合により差別的エッジ特性を適応的に強化する一方、EDITモジュールは非相関ノイズを抑制するために地域的統計的独立性解析(フィッシャーの正確なテストとチ二乗検定を使用)を採用し、BSDS500とNYUDv2データセットの大規模な実験は最先端の性能を示している。 9つの比較アルゴリズムのうち、CAM-EDITのF値スコアは0.635と0.460であり、従来の手法(Canny、CannySR)よりも19.2\%から26.5\%向上し、最新の学習ベース手法(TIP2020、MSCNGP)よりも優れている。 ノイズロバスト性の評価は、ベースライン法と比較してガウス雑音下でのPSNRの2.2\%の改善をさらに明らかにしている。 質的な結果は、よりクリーンなエッジマップと、より少ないアーティファクトを示し、高い精度の工業的応用の可能性を示している。

関連論文リスト

• Edge-preserving Image Denoising via Multi-scale Adaptive Statistical Independence Testing [2.8724598079549715]
  マルチスケール適応独立性テストに基づくエッジ検出・デノイング(EDD-MAIT)を提案する。 EDD-MAITはチャンネルアテンション機構と独立テストを統合している。 Fスコア、MSE、PSNR、ランタイムの削減など、堅牢性、正確性、効率性の向上を実現している。
  論文  参考訳（メタデータ） (2025-05-02T06:09:32Z)
• Leveraging Perturbation Robustness to Enhance Out-of-Distribution Detection [15.184096796229115]
  本稿では, インディストリビューション(IND)インプットよりも, 摂動下でのOODインプットの予測信頼度が高いという知見に基づいて, ポストホック法であるPRO(Perturbation-Rectified OOD Detection)を提案する。 CIFAR-10モデルでは、POPは、最先端の手法と比較して、FPR@95において10%以上の削減を実現し、近似OOD入力を効果的に検出する。
  論文  参考訳（メタデータ） (2025-03-24T15:32:33Z)
• CADRef: Robust Out-of-Distribution Detection via Class-Aware Decoupled Relative Feature Leveraging [5.356623181327855]
  CARef(Class-Aware Relative Feature-based Method)とCADRef(Class-Aware Decoupled Relative Feature-based Method)を提案する。 両手法は, 最先端手法と比較してOOD検出の有効性とロバスト性を示した。
  論文  参考訳（メタデータ） (2025-03-01T03:23:10Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• Generative Edge Detection with Stable Diffusion [52.870631376660924]
  エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。 本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。 複数のデータセットに対して広範な実験を行い、競争性能を達成する。
  論文  参考訳（メタデータ） (2024-10-04T01:52:23Z)
• SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
  本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。 本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。 既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
  論文  参考訳（メタデータ） (2024-03-21T08:49:34Z)
• Diffusion Denoising Process for Perceptron Bias in Out-of-distribution Detection [67.49587673594276]
  我々は、識別器モデルが入力の特定の特徴に対してより敏感であることを示唆する新しいパーセプトロンバイアスの仮定を導入し、過度な問題を引き起こした。 DMの拡散分解過程 (DDP) が非対称の新たな形態として機能し, 入力を高め, 過信問題を緩和するのに適していることを示す。 CIFAR10, CIFAR100, ImageNetによる実験により, 提案手法がSOTA手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-11-21T08:45:08Z)
• Localization Uncertainty-Based Attention for Object Detection [8.154943252001848]
  ガウスモデルを用いて, 4方向位置決めの不確かさを予測できる, より効率的な不確実性認識型高密度検出器 (UADET) を提案する。 MS COCOベンチマークを用いた実験によると、UADETはベースラインFCOSを一貫して上回り、最高のモデルであるResNext-64x4d-101-DCNは、COCOテストデーブで48.3%の単一スケールAPを得る。
  論文  参考訳（メタデータ） (2021-08-25T04:32:39Z)
• Capturing scattered discriminative information using a deep architecture in acoustic scene classification [49.86640645460706]
  本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。 我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。 2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
  論文  参考訳（メタデータ） (2020-07-09T08:32:06Z)

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。