論文の概要: Depth-guided Geometric Adaptation for Few-shot Image Classification

• arxiv url: http://arxiv.org/abs/2610.28856v1
• Date: Tue, 20 Oct 2026 19:29:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.13353
• Title: Depth-guided Geometric Adaptation for Few-shot Image Classification
• Title（参考訳）: 深度誘導型画像分類のための幾何学的適応法
• Abstract要約: 画像分類 (FSIC) は視覚的曖昧さに悩まされることが多い。 本研究では,単分子深度を表現学習に組み込んだ幾何学誘導型フレームワークであるDAFICを提案する。
• 参考スコア（独自算出の注目度）: 6.60208884599341
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot image classification (FSIC) frequently suffers from visual ambiguity, where background clutter and RGB appearance similarities hinder discriminative feature matching in data-scarce settings. To mitigate this, we propose DAFIC, a geometry-guided framework that incorporates monocular depth into representation learning, episodic adaptation, and dense support-query matching. DAFIC first learns geometry-aware token representations through RGB-D self-supervised pre-training. Subsequently, the Depth-guided Geometric Adaptation (DGA) module uses depth-derived geometry to refine patch representations with geometry-enriched class context while suppressing background interference. Spatial Bidirectional Patch Matching (SBiM) then performs bidirectional dense matching on the refined features, reducing sensitivity to spurious correspondences and background clutter. Extensive experiments on four benchmarks show that DAFIC achieves strong performance against existing methods, with ablation and robustness analyses supporting the effectiveness of coupling geometry-conditioned episodic adaptation with bidirectional matching for few-shot visual recognition.
• Abstract（参考訳）: Few-shot Image Classification (FSIC) はしばしば視覚的曖昧さに悩まされ、背景のぼかしとRGBの外観の類似性は、データスカース設定における識別的特徴マッチングを妨げる。 これを軽減するために,単眼深度を表現学習,エピソード適応,高密度サポートクエリマッチングに組み込んだ幾何学誘導型フレームワークであるDAFICを提案する。 DAFICはまず、RGB-Dによる自己教師付き事前学習を通じて、幾何学的トークン表現を学習する。 その後、DGA(Depth-Guided Geometric Adaptation)モジュールは、背景干渉を抑えながら、深さから派生した幾何学を用いて、幾何学に富んだクラスコンテキストでパッチ表現を洗練する。 空間的双方向パッチマッチング(SBiM)は、精製された特徴に対して双方向の密マッチングを行い、スプリアス対応や背景クラッタに対する感度を低下させる。 4つのベンチマークによる実験により,DAFICは従来の手法に対して強い性能を達成し,アブレーションとロバストネス解析により,2方向マッチングと結合した幾何学条件のエピソード適応の有効性を実証した。

関連論文リスト

• GeoUniPR: A Geometry-Consistent Unified Framework for Cross-Modal Place Recognition [8.76030434763729]
  CMPR(Cross-Modal Place Recognition)は、視覚やLiDARなどの異質な知覚モーダル間で同じ位置を識別することを目的としている。 既存の手法は、複雑なアライメントモジュール、マルチステージトレーニング、あるいは事前訓練されたバックボーンの完全な微調整を用いて、モダリティギャップをブリッジする。 本研究では,GeoUniPRを提案する。
  論文  参考訳（メタデータ） (2026-08-10T03:52:01Z)
• 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)
• Dense Semantic Matching with VGGT Prior [49.42199006453071]
  本稿では,VGGTの本質的な強みを,初期の特徴段階を再利用し,後続の特徴段階を微調整し,双方向対応のための意味的頭部を追加することによって維持するアプローチを提案する。 提案手法は, 従来のベースラインよりも優れた幾何認識, 整合性, および多様体保存を実現する。
  論文  参考訳（メタデータ） (2025-09-25T14:56:11Z)
• Leveraging Geometric Priors for Unaligned Scene Change Detection [53.523333385654546]
  Unaligned Scene Change Detectionは、視点アライメントを仮定することなく、異なるタイミングでキャプチャされた画像ペア間のシーン変化を検出することを目的としている。 非整合SCDの中核的課題に対処するために、初めて幾何学的事前を導入する。 視覚基盤モデルの強力な表現とそれらを統合した学習自由フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-14T14:31:08Z)
• Robust Scene Change Detection Using Visual Foundation Models and Cross-Attention Mechanisms [27.882122236282054]
  本稿では,視覚基礎モデルDINOv2の頑健な特徴抽出機能を活用したシーン変化検出手法を提案する。 我々は,VL-CMU-CDとPSCDの2つのベンチマークデータセットに対するアプローチと,その視点評価バージョンについて検討した。 実験では,F1スコアにおいて,特に画像ペア間の幾何学的変化を伴うシナリオにおいて,顕著な改善が示された。
  論文  参考訳（メタデータ） (2024-09-25T11:55:27Z)
• Boosting Few-shot Fine-grained Recognition with Background Suppression and Foreground Alignment [53.401889855278704]
  FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。 本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。 複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-04T07:54:40Z)
• Deep Semantic Matching with Foreground Detection and Cycle-Consistency [103.22976097225457]
  深層ネットワークに基づく弱い教師付きセマンティックマッチングに対処する。 本研究では,背景乱れの影響を抑えるために,前景領域を明示的に推定する。 複数の画像にまたがって予測変換を強制し、幾何的に可視かつ一貫したサイクル一貫性の損失を発生させる。
  論文  参考訳（メタデータ） (2020-03-31T22:38:09Z)

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。