論文の概要: ElasticDino: Dense Semantic Features Using Elastic Deformations
- arxiv url: http://arxiv.org/abs/2611.16984v1
- Date: Thu, 12 Nov 2026 15:50:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.508146
- Title: ElasticDino: Dense Semantic Features Using Elastic Deformations
- Title(参考訳): ElasticDino: 弾性変形を用いた高密度セマンティックな特徴
- Abstract要約: 本稿では,高解像度な特徴マップを生成する軽量アダプタであるElasticDinoを紹介する。
チャネル間のアーティファクトの一貫性を観察し、同時にそれらを解析して入力画像構造に適合させる。
一般的な高密度タスクベンチマークにおいて、現在の手法よりも優れた精度を示す。
- 参考スコア(独自算出の注目度): 11.128653542314401
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision transformers (ViTs) serve as the backbone for countless vision tasks, including dense prediction tasks, such as segmentation and depth estimation, even though the quadratic complexity of self-attention severely limits feature resolution and induces spatial artifacts. In this work, we introduce ElasticDino, a lightweight adapter which produces high-resolution feature maps, adhering to the fine details of the input image. As a key insight, we observe the consistency of artifacts across channels, and simultaneously resolve them to match the input image structure. Using a slim architecture based on spatial deformations, ElasticDino produces pixel-aligned, high-resolution feature maps efficiently. Leveraging deformations allows strictly preserving sharp semantics, and thereby avoiding the smoothness biases inherent to alternative approaches. Due to the absence of ground truth, we employ pixel-level semantic segmentation and depth estimation with linear heads to predict a set of downstream dense tasks, guiding the deformation process without leaking task-specific semantics into the model. We demonstrate superior accuracy over current methods on a range of popular dense task benchmarks, with better computational performance.
- Abstract(参考訳): 視覚変換器(ViT)は、分割や深さ推定のような密集した予測タスクを含む無数の視覚タスクのバックボーンとして機能する。
本稿では,高解像度特徴写像を生成する軽量アダプタであるElasticDinoを紹介する。
重要な洞察として、チャネル間のアーティファクトの一貫性を観察し、それらを同時に解決して入力画像構造に適合させる。
空間的変形に基づくスリムなアーキテクチャを用いて、ElasticDinoはピクセル整列で高解像度な特徴写像を効率よく生成する。
変形を活用すれば、シャープな意味論を厳密に保存することができ、従って他のアプローチに固有の滑らかさバイアスを避けることができる。
地下の真実が欠如しているため,線形ヘッドを用いた画素レベルのセマンティックセマンティックセマンティクスと深度推定を用いて下流の高密度タスクのセットを予測し,タスク固有のセマンティクスをモデルに漏らさずに変形過程を導出する。
計算性能を向上し,様々な高密度タスクベンチマークにおいて,現在の手法よりも優れた精度を示す。
関連論文リスト
- C2PD: Continuity-Constrained Pixelwise Deformation for Guided Depth Super-Resolution [8.243107985693777]
本研究では,空間特性の空間的利用を最大化し,実世界の物質を抽象的に認識する手法を提案する。
我々はガイド深度超解像問題を,連続物体のような力で変形できる理想的な塑性を有する粗流の変形に変換する。
特に本手法は,GDSRの4つの広く採用されているベンチマークにおいて,大規模タスクと一般化可能性に大きな利点があることを示す。
論文 参考訳(メタデータ) (2025-01-13T21:04:37Z) - FeatUp: A Model-Agnostic Framework for Features at Any Resolution [24.4201195336725]
FeatUpは、失われた空間情報を深い特徴で復元するためのタスクおよびモデルに依存しないフレームワークである。
FeatUpの2つのバリエーションを紹介します。1つは、1つのフォワードパスで高分解能信号で特徴を導くもので、もう1つは暗黙のモデルを1つのイメージに適合させて、任意の解像度で特徴を再構成するものです。
FeatUpは、クラスアクティベーションマップ生成、セグメンテーションとデプス予測のためのトランスファーラーニング、セグメンテーションのためのエンドツーエンドトレーニングにおいて、他の機能アップサンプリングや画像超解像アプローチよりも大幅に優れていることを示す。
論文 参考訳(メタデータ) (2024-03-15T17:57:06Z) - Parametric Depth Based Feature Representation Learning for Object
Detection and Segmentation in Bird's Eye View [44.78243406441798]
本稿では,このような特徴変換をモデル化するために,深度などの幾何学的情報を活用することに焦点を当てる。
まず2次元画像の特徴を,各ビューの画素ごとのパラメトリック深度分布を予測して,エゴ車に定義された3次元空間に引き上げる。
次に、深度からBEVフレームへの3次元空間占有度に基づいて、3次元特徴体積を集約する。
論文 参考訳(メタデータ) (2023-07-09T06:07:22Z) - PnP-DETR: Towards Efficient Visual Analysis with Transformers [146.55679348493587]
近年、DeTRはトランスフォーマーを用いたソリューションビジョンタスクの先駆者であり、画像特徴マップを直接オブジェクト結果に変換する。
最近の変圧器を用いた画像認識モデルとTTは、一貫した効率向上を示す。
論文 参考訳(メタデータ) (2021-09-15T01:10:30Z) - An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。
正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
論文 参考訳(メタデータ) (2021-06-06T02:27:55Z) - Adaptive Context-Aware Multi-Modal Network for Depth Completion [107.15344488719322]
我々は,観測された空間コンテキストを捉えるために,グラフ伝搬を採用することを提案する。
次に、注意機構を伝搬に適用し、ネットワークが文脈情報を適応的にモデル化することを奨励する。
最後に、抽出したマルチモーダル特徴を効果的に活用するための対称ゲート融合戦略を導入する。
本稿では,Adaptive Context-Aware Multi-Modal Network (ACMNet) を2つのベンチマークで評価した。
論文 参考訳(メタデータ) (2020-08-25T06:00:06Z) - Category Level Object Pose Estimation via Neural Analysis-by-Synthesis [64.14028598360741]
本稿では、勾配に基づくフィッティング法とパラメトリックニューラルネットワーク合成モジュールを組み合わせる。
画像合成ネットワークは、ポーズ設定空間を効率的に分散するように設計されている。
本研究では,2次元画像のみから高精度に物体の向きを復元できることを実験的に示す。
論文 参考訳(メタデータ) (2020-08-18T20:30:47Z) - A Flexible Framework for Designing Trainable Priors with Adaptive
Smoothing and Game Encoding [57.1077544780653]
我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。
グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。
このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
論文 参考訳(メタデータ) (2020-06-26T08:34:54Z) - 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。