論文の概要: RIPE: Reinforcement Learning on Unlabeled Image Pairs for Robust Keypoint Extraction

• arxiv url: http://arxiv.org/abs/2507.04839v1
• Date: Mon, 07 Jul 2025 10:01:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.368973
• Title: RIPE: Reinforcement Learning on Unlabeled Image Pairs for Robust Keypoint Extraction
• Title（参考訳）: RIPE:ロバストキーポイント抽出のための未ラベル画像ペアの強化学習
• Authors: Johannes Künzel, Anna Hilsmann, Peter Eisert,
• Abstract要約: キーポイント抽出器の弱教師付きトレーニングのための革新的強化学習に基づくフレームワークについて紹介する。 このフレームワークは、検出タスクと記述タスクの両方に優れています。
• 参考スコア（独自算出の注目度）: 3.5229503563299915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce RIPE, an innovative reinforcement learning-based framework for weakly-supervised training of a keypoint extractor that excels in both detection and description tasks. In contrast to conventional training regimes that depend heavily on artificial transformations, pre-generated models, or 3D data, RIPE requires only a binary label indicating whether paired images represent the same scene. This minimal supervision significantly expands the pool of training data, enabling the creation of a highly generalized and robust keypoint extractor. RIPE utilizes the encoder's intermediate layers for the description of the keypoints with a hyper-column approach to integrate information from different scales. Additionally, we propose an auxiliary loss to enhance the discriminative capability of the learned descriptors. Comprehensive evaluations on standard benchmarks demonstrate that RIPE simplifies data preparation while achieving competitive performance compared to state-of-the-art techniques, marking a significant advancement in robust keypoint extraction and description. To support further research, we have made our code publicly available at https://github.com/fraunhoferhhi/RIPE.
• Abstract（参考訳）: 本稿では、キーポイント抽出器を弱教師付きで学習し、検出タスクと記述タスクの両方に優れる、革新的な強化学習ベースのフレームワークRIPEを紹介する。 人工変換、前生成モデル、または3Dデータに大きく依存する従来の訓練体制とは対照的に、RIPEはペア画像が同じシーンを表すかどうかを示すバイナリラベルのみを必要とする。 この最小限の監督は、訓練データのプールを大きく拡張し、高度に一般化された堅牢なキーポイント抽出器を作成できる。 RIPEはエンコーダの中間層を利用して、異なるスケールの情報を統合するハイパーカラム方式でキーポイントを記述する。 さらに,学習した記述子の識別能力を高めるための補助的損失を提案する。 標準ベンチマークの総合評価では、RIPEは最先端技術と比較して競争性能を保ちながらデータ準備を単純化し、ロバストなキーポイント抽出と記述の大幅な進歩を示している。 さらなる研究を支援するため、私たちはhttps://github.com/fraunhoferhhi/RIPE.comでコードを公開しました。

関連論文リスト

• Your Image Generator Is Your New Private Dataset [4.09225917049674]
  生成拡散モデルは、トレーニングデータを合成的に生成する強力なツールとして登場した。 本稿では,これらの課題に対処するために,テクスチャ・コンディションド・ナレッジ・リサイクリング・パイプラインを提案する。 パイプラインは10の多様な画像分類ベンチマークで厳格に評価されている。
  論文  参考訳（メタデータ） (2025-04-06T18:46:08Z)
• Retrieval-Oriented Knowledge for Click-Through Rate Prediction [29.55757862617378]
  クリックスルー率(CTR)予測は、パーソナライズされたオンラインサービスにとって不可欠である。 underlineretrieval-underlineoriented underlineknowledge(bfname)フレームワークは、実際の検索プロセスをバイパスする。 nameは、検索および集約された表現を保存および模倣する知識ベースを特徴とする。
  論文  参考訳（メタデータ） (2024-04-28T20:21:03Z)
• Deep Common Feature Mining for Efficient Video Semantic Segmentation [25.851900402539467]
  ビデオセマンティックセグメンテーションのためのDeep Common Feature Mining(DCFM)を提案する。 DCFMは、機能を2つの補完的なコンポーネントに明示的に分解する。 自己教師付き損失関数を組み込んで,クラス内特徴の類似性を強化し,時間的整合性を高める。
  論文  参考訳（メタデータ） (2024-03-05T06:17:59Z)
• CCLF: A Contrastive-Curiosity-Driven Learning Framework for Sample-Efficient Reinforcement Learning [56.20123080771364]
  我々は、強化学習のためのモデルに依存しないコントラスト駆動学習フレームワーク(CCLF)を開発した。 CCLFは、サンプルの重要性を完全に活用し、自己管理的な学習効率を向上させる。 このアプローチをDeepMind Control Suite、Atari、MiniGridベンチマークで評価する。
  論文  参考訳（メタデータ） (2022-05-02T14:42:05Z)
• Activation to Saliency: Forming High-Quality Labels for Unsupervised Salient Object Detection [54.92703325989853]
  本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。 トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。 本フレームワークは,既存のUSOD法と比較して高い性能を示した。
  論文  参考訳（メタデータ） (2021-12-07T11:54:06Z)
• Neural BRDF Representation and Importance Sampling [79.84316447473873]
  本稿では,リフレクタンスBRDFデータのコンパクトニューラルネットワークに基づく表現について述べる。 BRDFを軽量ネットワークとしてエンコードし、適応角サンプリングによるトレーニングスキームを提案する。 複数の実世界のデータセットから等方性および異方性BRDFの符号化結果を評価する。
  論文  参考訳（メタデータ） (2021-02-11T12:00:24Z)

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。