論文の概要: Rethinking Image Histogram Matching for Image Classification

• arxiv url: http://arxiv.org/abs/2506.01346v1
• Date: Mon, 02 Jun 2025 06:09:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:34.04871
• Title: Rethinking Image Histogram Matching for Image Classification
• Title（参考訳）: 画像分類のための画像ヒストグラムマッチングの再考
• Authors: Rikuto Otsuka, Yuho Shoji, Yuka Ogino, Takahiro Toizumi, Atsushi Ito,
• Abstract要約: 畳み込みニューラルネットワークは、分類タスクにおいて顕著な成果を示した。 悪天候下で撮影された低コントラスト画像に対して、しばしば劣化した性能を示す。 本稿では、画像ヒストグラムマッチング(HM)を再考し、下流分類器のための微分可能パラメトリックHM前処理を提案する。
• 参考スコア（独自算出の注目度）: 0.4951599300340954
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper rethinks image histogram matching (HM) and proposes a differentiable and parametric HM preprocessing for a downstream classifier. Convolutional neural networks have demonstrated remarkable achievements in classification tasks. However, they often exhibit degraded performance on low-contrast images captured under adverse weather conditions. To maintain classifier performance under low-contrast images, histogram equalization (HE) is commonly used. HE is a special case of HM using a uniform distribution as a target pixel value distribution. In this paper, we focus on the shape of the target pixel value distribution. Compared to a uniform distribution, a single, well-designed distribution could have potential to improve the performance of the downstream classifier across various adverse weather conditions. Based on this hypothesis, we propose a differentiable and parametric HM that optimizes the target distribution using the loss function of the downstream classifier. This method addresses pixel value imbalances by transforming input images with arbitrary distributions into a target distribution optimized for the classifier. Our HM is trained on only normal weather images using the classifier. Experimental results show that a classifier trained with our proposed HM outperforms conventional preprocessing methods under adverse weather conditions.
• Abstract（参考訳）: 本稿では、画像ヒストグラムマッチング(HM)を再考し、下流分類器のための微分可能パラメトリックHM前処理を提案する。 畳み込みニューラルネットワークは、分類タスクにおいて顕著な成果を示した。 しかし、悪天候下で撮影された低コントラスト画像に劣化した性能を示すことがしばしばある。 低コントラスト画像下での分類器性能を維持するため、ヒストグラム等化(HE)が一般的である。 HEは、一様分布を目標画素値分布として用いたHMの特殊な場合である。 本稿では,対象画素値分布の形状に着目した。 均一な分布と比較して、適切に設計された単一分布は、様々な悪天候条件で下流分類器の性能を向上させる可能性がある。 この仮説に基づき、下流分類器の損失関数を用いて目標分布を最適化する微分可能パラメトリックHMを提案する。 任意の分布を持つ入力画像から、分類器に最適化された目標分布に変換することにより、画素値の不均衡に対処する。 我々のHMは、分類器を用いて、通常の気象画像のみに基づいて訓練されている。 実験結果から,提案したHMを用いて訓練した分類器は,悪天候下での従来の前処理方法よりも優れていた。

関連論文リスト

• Measurement Score-Based Diffusion Model [5.82978411250693]
  測定スコアベース拡散モデル(MSM)は,雑音とサブサンプル測定のみを用いて部分的測定スコアを学習する新しいフレームワークである。 MSMは高品質な画像を生成し、逆問題の解決を可能にする。
  論文  参考訳（メタデータ） (2025-05-17T05:33:47Z)
• Unsupervised Detection of Distribution Shift in Inverse Problems using Diffusion Models [15.926651846862544]
  本稿では,間接的(破損した)測定のみを用いて分布変化を推定するための教師なしの指標を提案する。 この結果から, クリーンな画像から算出したKLの偏差を近似したスコアベースの測定値が得られた。 この結果から,分布外分布スコアと分布内分布スコアとの整合性はKLのばらつきを減少させ,複数の逆問題における再構成品質の向上につながることが示された。
  論文  参考訳（メタデータ） (2025-05-16T17:44:58Z)
• Multiscale Structure Guided Diffusion for Image Deblurring [24.09642909404091]
  拡散確率モデル (DPM) は画像の劣化に用いられている。 暗黙のバイアスとして、単純だが効果的なマルチスケール構造ガイダンスを導入する。 目に見えないデータのアーティファクトが少ないほど、より堅牢なデブロアリング結果を示します。
  論文  参考訳（メタデータ） (2022-12-04T10:40:35Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• Traditional Classification Neural Networks are Good Generators: They are Competitive with DDPMs and GANs [104.72108627191041]
  従来のニューラルネットワーク分類器は、最先端の生成モデルに匹敵する高品質な画像を生成することができることを示す。 マスクをベースとした再構成モジュールを提案し, 意味的勾配を意識し, 可視画像の合成を行う。 また,本手法は,画像テキスト基盤モデルに関して,テキスト・画像生成にも適用可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-27T11:25:35Z)
• Low-Light Image Enhancement with Normalizing Flow [92.52290821418778]
  本稿では,この一対多の関係を正規化フローモデルを用いてモデル化する。 低照度画像/特徴を条件として取り、通常露光される画像の分布をガウス分布にマッピングすることを学ぶ可逆ネットワーク。 既存のベンチマークデータセットによる実験結果から,提案手法はより定量的,質的な結果を得ることができ,照度が良く,ノイズやアーティファクトが小さく,色も豊かになることがわかった。
  論文  参考訳（メタデータ） (2021-09-13T12:45:08Z)
• Hierarchical Conditional Flow: A Unified Framework for Image Super-Resolution and Image Rescaling [139.25215100378284]
  画像SRと画像再スケーリングのための統合フレームワークとして階層的条件フロー(HCFlow)を提案する。 HCFlowは、LR画像と残りの高周波成分の分布を同時にモデル化することにより、HRとLR画像ペア間のマッピングを学習する。 さらに性能を高めるために、知覚的損失やGAN損失などの他の損失と、トレーニングで一般的に使用される負の対数類似損失とを組み合わせる。
  論文  参考訳（メタデータ） (2021-08-11T16:11:01Z)
• Label Geometry Aware Discriminator for Conditional Generative Networks [40.89719383597279]
  条件付きGenerative Adversarial Networks(GAN)は、目的のターゲットクラスで高画質の画像を生成することができます。 これらの合成画像は、画像分類などの下流監督タスクを改善するために必ずしも役に立たない。
  論文  参考訳（メタデータ） (2021-05-12T08:17:25Z)
• Semantic Distribution-aware Contrastive Adaptation for Semantic Segmentation [50.621269117524925]
  ドメイン適応セマンティックセグメンテーション(ドメイン適応セマンティックセグメンテーション)とは、特定のソースドメインのアノテーションだけで特定のターゲットドメイン上で予測を行うことを指す。 画素ワイド表示アライメントを可能にする意味分布対応コントラスト適応アルゴリズムを提案する。 複数のベンチマークでSDCAを評価し、既存のアルゴリズムを大幅に改善します。
  論文  参考訳（メタデータ） (2021-05-11T13:21:25Z)
• Shaping Deep Feature Space towards Gaussian Mixture for Visual Classification [74.48695037007306]
  視覚分類のためのディープニューラルネットワークのためのガウス混合損失関数(GM)を提案する。 分類マージンと可能性正規化により、GM損失は高い分類性能と特徴分布の正確なモデリングの両方を促進する。 提案したモデルは、追加のトレーニング可能なパラメータを使わずに、簡単かつ効率的に実装できる。
  論文  参考訳（メタデータ） (2020-11-18T03:32:27Z)
• Image Inpainting with Learnable Feature Imputation [8.293345261434943]
  正規畳み込み層は、未知の領域にフィルターを適用するのと同じ方法で、塗装された画像の視覚的アーティファクトを引き起こす。 本稿では,欠落した入力値の畳み込みに対する(階層的な)特徴計算を提案する。 我々はCelebA-HQとPlaces2を比較し,そのモデルを検証する。
  論文  参考訳（メタデータ） (2020-11-02T16:05:32Z)

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。