論文の概要: Chaotic Contrastive Learning for Robust Texture Classification

• arxiv url: http://arxiv.org/abs/2605.05012v1
• Date: Wed, 06 May 2026 15:11:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.895126
• Title: Chaotic Contrastive Learning for Robust Texture Classification
• Title（参考訳）: ロバストテクスチャ分類のためのカオスコントラスト学習
• Abstract要約: 本稿では,自己指導型学習と決定論的カオス力学を相乗化する新しい枠組みを提案する。 本稿では,画素単位のカオスマップが非線形データ拡張手法として機能する,カオス的コントラスト事前学習戦略を提案する。 6つのテクスチャベンチマーク実験の結果,提案手法の優位性を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Texture classification is a pivotal task in computer vision, presenting unique challenges due to high inter-class similarity and the sensitivity of structural patterns to scale and illumination changes. While Convolutional Neural Networks (CNNs) and recent Vision Transformers have set performance benchmarks, they often require extensive labeled datasets or struggle to generalize across domains due to an over-reliance on color and shape features. This paper introduces a novel framework that synergizes Self-Supervised Learning (SSL) with deterministic chaotic dynamics. We propose a chaotic contrastive pre-training strategy, where pixel-wise chaotic maps, specifically Logistic, Tent, and Sine maps, act as non-linear data augmentation techniques. These chaotic perturbations, grounded in ergodic theory, force the network to learn topologically robust features by mimicking complex environmental noise and reflectance variations. Furthermore, we introduce an attention-based feature ensemble that fuses high-level semantic representations from a supervised large backbone with low-frequency structural features from a chaos-pretrained tiny encoder. Experimental results on six texture benchmarks (FMD, UMD, KTH-TIPS2-b, DTD, GTOS, and 1200Tex) demonstrate the superiority of the proposed method, outperforming state-of-the-art approaches and achieving promising accuracies on all the analyzed datasets.
• Abstract（参考訳）: テクスチャ分類はコンピュータビジョンにおいて重要な課題であり、クラス間の類似度の高さと、スケールと照明の変化に対する構造パターンの感度による固有の課題を提示する。 Convolutional Neural Networks(CNN)と最近のVision Transformersはパフォーマンスベンチマークを設定しているが、色と形状の特徴への過度な依存のため、ラベル付きデータセットの広範な使用や、ドメイン全体の一般化に苦慮することが多い。 本稿では,自己監督学習(SSL)と決定論的カオス力学を相乗化する新しいフレームワークを提案する。 本稿では,特にロジスティック,テント,シネマップといった画素回りのカオスマップが非線形データ拡張手法として機能する,カオス的コントラスト事前学習戦略を提案する。 これらのカオス的摂動はエルゴード理論に基づいており、複雑な環境ノイズや反射率の変動を模倣して、ネットワークに位相的に堅牢な特徴の学習を強要している。 さらに、注意に基づく特徴アンサンブルを導入し、カオス予測された小さなエンコーダから低周波数構造を持つ教師付き大背骨から高レベルの意味表現を融合する。 6つのテクスチャベンチマーク(FMD, UMD, KTH-TIPS2-b, DTD, GTOS, 1200Tex)による実験結果から, 提案手法の優位性, 最先端のアプローチ, 有望な精度をすべての分析データセットで達成できることを示す。

関連論文リスト

• Generalized Synthetic Image Detection with Enhanced RGB-Noise Representation Learning [33.97020349697987]
  本稿では,RGB-ノイズ表現学習によるロバスト検出を実現する新しい法医学フレームワーク RNSIDNet を提案する。 具体的には、注意修正されたCLIPバックボーンによって抽出されたグローバルRGBセマンティクスが、特徴量線形変調(FiLM)モジュールを介してベイア畳み込みによって捕捉される高周波ノイズアーティファクトを動的に変調するデュアルブランチアーキテクチャを用いる。 学習表現をさらに強化するため,我々は,Hard Sample-aware Contrastive Learning (HSCL) 戦略を設計する。
  論文  参考訳（メタデータ） (2026-07-07T14:52:22Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• Synergizing Multigrid Algorithms with Vision Transformer: A Novel Approach to Enhance the Seismic Foundation Model [8.86328796040398]
  シーケンシャルトークン化による既存の視覚変換器(ViT)は、固有パターンを無視し、高周波数と低周波の両方の地震情報を効果的に把握できない。 本研究では,Hilbertエンコーディングを用いた新しい2グリッド基礎モデルトレーニング戦略(ADATG)を導入する。
  論文  参考訳（メタデータ） (2025-11-17T08:37:28Z)
• The Geometry of Cortical Computation: Manifold Disentanglement and Predictive Dynamics in VCNet [0.0]
  本稿では,新しいニューラルネットワークアーキテクチャであるVisual Cortex Network(VCNet)を紹介する。 VCNetは、重要な生物学的メカニズムをエミュレートする幾何学的フレームワークである。 我々は、VCNetがSpots-10で92.1%、光フィールドデータセットで74.4%の最先端の精度を達成したことを示す。
  論文  参考訳（メタデータ） (2025-08-05T01:52:42Z)
• DGIQA: Depth-guided Feature Attention and Refinement for Generalizable Image Quality Assessment [9.851063768646847]
  非参照画像品質評価における長年の課題は、自然歪みを目にしない客観的な一般化の欠如である。 我々は,シーンの深度と空間的特徴を構造認識表現に蒸留する,Depth-Guided Cross-attention and refinement 機構を新たに開発した。 マルチモーダルアテンションベースプロジェクション関数としてTCBとDepth-CARを実装し,最も有用な特徴を選択する。 実験により,提案したDGIQAモデルにより,総合的および真正なベンチマークデータセット上での最先端(SOTA)性能が得られた。
  論文  参考訳（メタデータ） (2025-05-29T20:52:56Z)
• LayerMix: Enhanced Data Augmentation through Fractal Integration for Robust Deep Learning [1.786053901581251]
  ディープラーニングモデルは、アウト・オブ・ディストリビューション(OOD)のサンプルに直面すると、一貫したパフォーマンスを維持するのに苦労することが多い。 モデルロバスト性を体系的に強化する革新的なデータ拡張アプローチであるLayerMixを紹介する。 本手法は,ニューラルネットワークの一般化能力を大幅に向上させる意味論的一貫した合成サンプルを生成する。
  論文  参考訳（メタデータ） (2025-01-08T22:22:44Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Towards Evaluating the Robustness of Visual State Space Models [63.14954591606638]
  視覚状態空間モデル(VSSM)は視覚知覚タスクにおいて顕著な性能を示した。 しかし、自然と敵対的な摂動の下での頑丈さは依然として重要な懸念事項である。 様々な摂動シナリオ下でのVSSMの頑健さを総合的に評価する。
  論文  参考訳（メタデータ） (2024-06-13T17:59:44Z)
• Bilevel Fast Scene Adaptation for Low-Light Image Enhancement [50.639332885989255]
  低照度シーンにおける画像の強調は、コンピュータビジョンにおいて難しいが、広く懸念されている課題である。 主な障害は、異なるシーンにまたがる分散の相違によるモデリングの混乱にある。 上述の潜在対応をモデル化するための双レベルパラダイムを導入する。 エンコーダのシーン非関連な一般化を多様なシーンにもたらすために、双方向学習フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-06-02T08:16:21Z)
• Intriguing Properties of Vision Transformers [114.28522466830374]
  視覚変換器(ViT)は、様々なマシンビジョン問題にまたがって印象的な性能を誇示している。 我々は、この問題を広範囲の実験を通して体系的に研究し、高性能畳み込みニューラルネットワーク(CNN)との比較を行った。 ViTsの効果的な特徴は、自己認識機構によって可能なフレキシブルな受容と動的場によるものであることを示す。
  論文  参考訳（メタデータ） (2021-05-21T17:59:18Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)

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。