論文の概要: Varifold Moment Invariants for Sustainable and Explainable Contour Feature Extraction

• arxiv url: http://arxiv.org/abs/2606.07333v1
• Date: Fri, 05 Jun 2026 14:48:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.790634
• Title: Varifold Moment Invariants for Sustainable and Explainable Contour Feature Extraction
• Title（参考訳）: 持続的・説明可能な輪郭特徴抽出のための可変モーメント不変量
• Authors: G. Longari, J. -C. Alvarez Paiva, A. B. Tumpach,
• Abstract要約: Varifold Moments Invariants (VMI) を、以前に導入された Moment Invariants の統一フレームワークとして紹介する。 我々はVMI特徴抽出をRandom ForestやMulti-Layer-Perceptronといった軽量特徴分類器と組み合わせることで、輪郭に基づく最先端のアプローチより優れています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We introduce Varifold Moments Invariants (VMI) as a unifying framework for many previously introduced Moment Invariants. These invariants are deeply related to other contour features that are invariant under translations and rotations, like Extended Gaussian Image, Elliptic Fourier Descriptors or Shape Distributions. The advantage of the varifold approach to moments consists in being able to combine the geometry of the region, its boundary, and the family of lines tangent to it, in order to create a substantial number of invariant features with high discriminating power and clear geometric meaning. By coupling our VMI feature extraction with the light feature classifiers Random Forest or Multi-Layer-Perceptron, we outperform state-of-the-art approaches based on contours, while decreasing drastically the computational cost to the point of allowing our algorithm to run on light devices. We tested our approach on classification tasks on a large number of widely-used datasets of various types (leaves, objects, cells) and achieved high accuracy with a low number of geometrically interpretable features.
• Abstract（参考訳）: Varifold Moments Invariants (VMI) を、以前に導入された Moment Invariants の統一フレームワークとして紹介する。 これらの不変量は、拡張ガウス画像、楕円フーリエ記述子、形状分布など、翻訳や回転の下で不変な他の輪郭特徴と深く関連している。 モーメントへのバリアフォールドアプローチの利点は、高判別力と明確な幾何学的意味を持つかなりの数の不変特徴を作成するために、その領域の幾何学、その境界線、それに接するラインの族を組み合わせられることである。 我々はVMIの特徴抽出をRandom ForestやMulti-Layer-Perceptronといった軽機能分類器と組み合わせることで、輪郭に基づいて最先端のアプローチを上回り、計算コストを大幅に削減し、我々のアルゴリズムを光デバイス上で実行できるようにする。 我々は,多種多様なデータセット(リーブ,オブジェクト,セル)の多種多種多様な分類タスクについて検討し,幾何学的に解釈可能な特徴の少ない精度で評価した。

関連論文リスト

• Multimodal Structure Learning: Disentangling Shared and Specific Topology via Cross-Modal Graphical Lasso [12.238577096609761]
  解釈可能なマルチモーダル表現を学習するためのCross-Modal Graphical Lasso(CM-GLasso)を提案する。 新たなテキスト視覚化戦略と統合された視覚言語エンコーダを結合することにより、マルチモーダルな特徴を共有潜在空間に厳密に整列する。 CM-GLassoは、生成的分類と密接なセマンティックセグメンテーションタスクにおいて、新しい最先端技術を確立していることを示す。
  論文  参考訳（メタデータ） (2026-04-05T04:07:59Z)
• Geometrically Constrained and Token-Based Probabilistic Spatial Transformers [5.437226012505534]
  我々は、トランスフォーマーベースのビジョンパイプラインの標準化ツールとして、空間トランスフォーマーネットワーク(STN)を再考する。 本稿では、堅牢性を向上させる確率的、コンポーネントワイドな拡張を提案する。 本手法が他のSTNと比較して頑健さを常に向上することを示す。
  論文  参考訳（メタデータ） (2025-09-14T11:30:53Z)
• Imputation of Time-varying Edge Flows in Graphs by Multilinear Kernel Regression and Manifold Learning [4.129225533930965]
  本稿では,グラフ内の時間変化エッジフローをインプットするために,多様体学習(MultiL-KRIM)によるマルチ線形カーネル回帰とインプットの枠組みを拡張する。 MultiL-KRIM はグラフトポロジーを組み込むために単純複素引数とホッジ・ラプラシアンを用いる。 これは、ヒルベルト空間(RKHS)を再現するカーネルに埋め込まれた滑らかな多様体の周りの点雲としてモデル化される特徴の中で、潜在幾何学を特定するために、多様体学習の引数を利用する。
  論文  参考訳（メタデータ） (2024-09-08T15:38:31Z)
• Deep Neural Networks with Efficient Guaranteed Invariances [77.99182201815763]
  我々は、性能改善の問題、特にディープニューラルネットワークのサンプル複雑性に対処する。 群同変畳み込みは同変表現を得るための一般的なアプローチである。 本稿では,各ストリームが異なる変換に不変なマルチストリームアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-03-02T20:44:45Z)
• Deep Diversity-Enhanced Feature Representation of Hyperspectral Images [87.47202258194719]
  トポロジを改良して3次元畳み込みを補正し,上行階の高次化を図る。 また、要素間の独立性を最大化するために特徴マップに作用する新しい多様性対応正規化(DA-Reg)項を提案する。 提案したRe$3$-ConvSetとDA-Regの優位性を実証するために,様々なHS画像処理および解析タスクに適用する。
  論文  参考訳（メタデータ） (2023-01-15T16:19:18Z)
• 3D Equivariant Graph Implicit Functions [51.5559264447605]
  局所的詳細のモデリングを容易にする同変層を持つグラフ暗黙関数の新しいファミリを導入する。 提案手法は,ShapeNet再構成作業において既存の回転同変暗黙関数を0.69から0.89に改善する。
  論文  参考訳（メタデータ） (2022-03-31T16:51:25Z)
• Frame Averaging for Invariant and Equivariant Network Design [50.87023773850824]
  フレーム平均化(FA)は、既知の(バックボーン)アーキテクチャを新しい対称性タイプに不変あるいは同変に適応するためのフレームワークである。 FAモデルが最大表現力を持つことを示す。 我々は,新しいユニバーサルグラフニューラルネット(GNN),ユニバーサルユークリッド運動不変点クラウドネットワーク,およびユークリッド運動不変メッセージパッシング(MP)GNNを提案する。
  論文  参考訳（メタデータ） (2021-10-07T11:05:23Z)
• Invariance-based Multi-Clustering of Latent Space Embeddings for Equivariant Learning [12.770012299379099]
  より深い群不変学習を強制することにより、リー群多様体における等角写像を非共役化する手法を提案する。 実験の結果,このモデルでは,不変表現と同変表現を効果的に切り離すことができ,学習速度が大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2021-07-25T03:27:47Z)
• Equivariant Point Network for 3D Point Cloud Analysis [17.689949017410836]
  点雲解析のための実効的で実用的なSE(3)(3次元翻訳と回転)同変ネットワークを提案する。 まず,6次元の畳み込みを2つの分離可能な畳み込み作用素に分解する新しい枠組みであるSE(3)分離点畳み込みを提案する。 第2に,同変特徴の表現性を効果的に活用するアテンション層を導入する。
  論文  参考訳（メタデータ） (2021-03-25T21:57:10Z)

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。