論文の概要: From the Superderivative to a Relative-Gradient Edge Operator

• arxiv url: http://arxiv.org/abs/2610.38530v1
• Date: Wed, 28 Oct 2026 09:38:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 10:20:38.394665
• Title: From the Superderivative to a Relative-Gradient Edge Operator
• Title（参考訳）: 微分から相対勾配エッジ演算子へ
• Abstract要約: ソベル、プレウィット、ロバーツ、スカールは絶対グレーレベル差を測定する。 我々は、相対勾配のエッジ演算子である対数勾配等級を再検討し、超導関数と類似して動機付けする。
• 参考スコア（独自算出の注目度）: 51.56484100374058
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: First-derivative edge detectors such as Sobel, Prewitt, Roberts and Scharr measure absolute grey-level differences. We revisit the log-gradient magnitude, a relative-gradient edge operator, and motivate it by analogy with the superderivative, a multiplicative derivative in which the independent variable is perturbed multiplicatively rather than additively. In one and two dimensions the logarithm of the superderivative is a radial logarithmic derivative; its local, origin-free, isotropic analogue is the magnitude of the logarithmic gradient. The resulting operator measures relative rather than absolute change, giving an edge-strength map that is invariant under global intensity rescaling. We present the theory, show how the operator can be implemented in two steps---a classical gradient kernel plus a pointwise division---and compare it with standard first-derivative filters on synthetic images with ground-truth edges and on the official BSDS500 benchmark. We also study a parametric family that interpolates between the absolute gradient and the log-gradient; empirically, the best members are small intermediate exponents, which edge the classical kernels by a small but statistically detectable margin in the per-image metric and, with the same Gaussian smoothing as the single-$σ$ Canny, match it in ODS and lead it in OIS and AP, while the tuned Canny remains ahead in ODS. The single-threshold margin over the kernels does not replicate on the held-out test split, and the fully relative endpoint is never the best member, its ranking depending on the edge-map normalisation. The contribution is the construction and the invariance it buys, not a new state of the art.
• Abstract（参考訳）: ソベル、プレウィット、ロバーツ、スカールは絶対グレーレベル差を測定する。 対数次数(対数次数)、相対次数次数(相対次数次和演算子)を再検討し、独立変数が加法ではなく乗法的に摂動する乗法微分である超導関数と類似して動機付けする。 1次元と2次元において、超導関数の対数(英: logarithm)は放射対数微分(英語版)(radial logarithmic derivative)であり、その局所的、原点のない等方的類似は対数勾配の大きさである。 結果として得られる作用素は絶対的変化よりも相対的変化を測り、大域的な強度再スケーリングの下で不変なエッジ強度写像を与える。 本稿では,古典的勾配カーネルと点分割の2つのステップで演算子をどのように実装できるかを示すとともに,基底構造エッジを持つ合成画像と公式BSDS500ベンチマークの標準1次微分フィルタと比較する。 また、絶対勾配と対数勾配の間を補間するパラメトリック系についても検討し、経験的に、最良のメンバーは小さな中間指数であり、画像単位の計測値において、古典的核を小さいが統計的に検出可能なマージンで縁を保ち、単一のσ$キャニーと同じガウス的滑らかさで、ODS と OIS と AP で対応し、調整されたキャニーは ODS で先行する。 カーネル上のシングルスレッドのマージンは、ホールドアウトテストの分割時に複製されず、完全に相対的なエンドポイントは、エッジマップの正規化によって、最高のメンバーではない。 コントリビューションは、それが購入する構造と不変性であり、新しい最先端技術ではない。

関連論文リスト

• Phasor Attention: Mean Root Square Normalization for Phase Manifold Preservation [3.0459410574367314]
  平均根角正規化(MRSNorm)について紹介する。 MRSNormは数学的に従来のスケーリングパラダイムを反転させる。 我々は、この制約がピタゴラスのアイデンティティによって支配される組込み三角勾配クリッパーをもたらすことを解析的に実証した。
  論文  参考訳（メタデータ） (2026-07-20T11:10:51Z)
• Smoothed Distance Kernels for MMDs and Applications in Wasserstein Gradient Flows [6.5634294752297775]
  K(x,y) := - |x-y|$ は統計学における最大平均誤差 (MMD) の定義に用いられた。 本稿では, 負距離カーネルの次数 1 の条件正定値として好適な特性を保った新しいカーネルを提案する。
  論文  参考訳（メタデータ） (2025-04-10T14:57:33Z)
• Neural Gradient Learning and Optimization for Oriented Point Normal Estimation [53.611206368815125]
  本研究では,3次元点雲から勾配ベクトルを一貫した向きで学習し,正規推定を行うためのディープラーニング手法を提案する。 局所平面幾何に基づいて角距離場を学習し、粗勾配ベクトルを洗練する。 本手法は,局所特徴記述の精度と能力の一般化を図りながら,グローバル勾配近似を効率的に行う。
  論文  参考訳（メタデータ） (2023-09-17T08:35:11Z)
• DIFF2: Differential Private Optimization via Gradient Differences for Nonconvex Distributed Learning [58.79085525115987]
  以前の研究でよく知られたユーティリティ境界は$widetilde O(d2/3/(nvarepsilon_mathrmDP)4/3)$である。 本稿では,差分プライベートフレームワークを構築した mphDIFF2 (DIFFerential private via DIFFs) という新しい差分プライベートフレームワークを提案する。 大域的な降下を持つ$mphDIFF2は$widetilde O(d2/3/(nvarepsilon_mathrmDP)4/3の効用を達成する
  論文  参考訳（メタデータ） (2023-02-08T05:19:01Z)
• Fast Margin Maximization via Dual Acceleration [52.62944011696364]
  指数関数的尾の損失を持つ線形分類器を訓練するための運動量に基づく手法を提案し,解析する。 この運動量に基づく法は、最大マルジン問題の凸双対、特にこの双対にネステロフ加速度を適用することによって導出される。
  論文  参考訳（メタデータ） (2021-07-01T16:36:39Z)
• ViViT: Curvature access through the generalized Gauss-Newton's low-rank structure [26.24282086797512]
  ヘッセンあるいはその一般化されたガウスニュートン(GGN)近似の形での曲線は、深層ネットワークの訓練、圧縮、説明の損失に局所モデルに依存するアルゴリズムに有用である。 本稿では,GGNの低ランク構造を利用した曲率モデルViViTを提案する。
  論文  参考訳（メタデータ） (2021-06-04T17:37:47Z)
• Channel-Directed Gradients for Optimization of Convolutional Neural Networks [50.34913837546743]
  本稿では,畳み込みニューラルネットワークの最適化手法を提案する。 出力チャネル方向に沿って勾配を定義することで性能が向上し,他の方向が有害となることを示す。
  論文  参考訳（メタデータ） (2020-08-25T00:44:09Z)
• The Geometry of Sign Gradient Descent [29.8753797565422]
  分離可能滑らか性と $ell_infty$-smoothness との密接な関係を示し、後者はより弱でより自然な仮定であると主張する。 次に、 $ell_infty$-norm に関する滑らか性定数の研究を進め、目的関数の幾何学的性質を分離する。 つまり、(i)Hessianがその対角線に集中していること、(ii)その最大固有値が平均固有値よりもはるかに大きいこと。
  論文  参考訳（メタデータ） (2020-02-19T08:45:54Z)

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。