次元感情認識のためのクロスアテンションオーディオビジュアルフュージョン
Cross Attentional Audio-Visual Fusion for Dimensional Emotion Recognition マルチモーダル分析は、孤立したユニモーダルアプローチよりも感情認識の全体的な精度を向上させることができるため、最近、感情コンピューティングに大きな関心を集めています。マルチモーダル感情認識の最も効果的な手法は、顔、声、生理学的モダリティなどの多様で補完的な情報源を効率的に活用して、包括的な特徴表現を提供します。この論文では、ビデオから抽出された顔と声のモダリティの融合に基づく次元の感情認識に焦点を当てます。ここでは、複雑な時空間関係がキャプチャされる可能性があります。既存の融合技術のほとんどは、オーディオビジュアル（AV）モダリティの補完的な性質を効果的に活用しないリカレントネットワークまたは従来の注意メカニズムに依存しています。クロスアテンシ
時空間相補モデルによるビデオテキスト追跡
Video Text Tracking With a Spatio-Temporal Complementary Model テキスト追跡とは、ビデオ内の複数のテキストを追跡し、各テキストの軌跡を作成することです。既存の方法は、検出による追跡フレームワークを利用することによって、このタスクを積み重ねます。つまり、各フレームのテキストインスタンスを検出し、連続するフレームの対応するテキストインスタンスを関連付けます。このパラダイムの追跡精度は、より複雑なシナリオでは厳しく制限されていると主張します。たとえば、モーションブラーなどが原因で、テキストインスタンスの検出を見逃すと、テキストの軌跡が途切れます。さらに、外観が似ているさまざまなテキストインスタンスは簡単に混乱し、テキストインスタンスの関連付けが正しくなくなります。この目的のために、新しい時空間補完テキスト追跡モデルがこの論文で提案され
SAFA：構造を意識した顔のアニメーション
生成的敵対的ネットワーク（GAN）の最近の成功は、顔のアニメーションタスクで大きな進歩を遂げました。ただし、顔画像の複雑なシーン構造では、ソース画像から大幅に逸脱した顔ポーズのビデオを生成することが依然として困難です。一方では、顔の幾何学的構造を知らないと、生成された顔画像が不適切に歪む可能性があります。一方、生成された画像の一部の領域がソース画像で遮られている可能性があり、GANがリアルな外観を生成するのが困難になります。これらの問題に対処するために、顔画像のさまざまなコンポーネントをモデル化するために特定の幾何学的構造を構築する構造認識顔アニメーション（SAFA）メソッドを提案します。よく知られているモーションベースの顔アニメーション手法に従って、3Dモーフィング可能モデル（3DMM）を使用して顔をモデル化し、複数のアフィン変換を使用して髪やあごひげなどの他の前景コンポーネントをモデル
機械学習と物理学の組み合わせ：複数のダークソリトンを追跡およびソートするためのフレームワーク
Combining Machine Learning with Physics: A Framework for Tracking and Sorting Multiple Dark Solitons 極低温原子実験では、データは多くの場合、システムの準備と測定に使用される手法に固有の情報損失を被る画像の形式で提供されます。これは、ボーズ・アインシュタイン凝縮（BEC）の励起間の相互作用など、対象のプロセスが複雑な場合に特に問題になります。このホワイトペーパーでは、機械学習（ML）モデルと物理ベースの従来の分析を組み合わせて、BECの画像内の複数の孤立性励起を識別および追跡するフレームワークについて説明します。 MLベースのオブジェクト検出器を使用して、孤立性励起を特定し、物理情報に基づいた分類器を開発して、孤立性励起を物理的に動機付けられたサブカテゴリに分類します。最後に、特定の機能がキ
生成された3Dオブジェクトの進化する刺激的な2Dビュー
ImageNetおよびCLIPベースのモデルによって導かれるプロセスを使用して、オブジェクトの3Dモデルと異なる表示角度での2Dレンダリングを共同で生成する方法を紹介します。私たちの結果は、ターゲットのキャプションを呼び起こし、視覚的に魅力的に見えるレンダリングで、アナモルフィックオブジェクトを生成できることを示しています。 We present a method for jointly generating 3D models of objects and 2D renders at different viewing angles, with the process guided by ImageNet and CLIP -based models. Our results indicate that it can generate anamorphic objects, with r
ビデオからのカスケードされた多言語オーディオビジュアル学習
この論文では、教育ビデオから学ぶ自己監視型視聴覚モデルを探求します。以前の研究では、これらのモデルは、ビデオの大規模なデータセットでトレーニングした後、話し言葉や音を視覚的なコンテンツに関連付けることができることが示されていますが、英語のビデオでのみトレーニングおよび評価されました。多言語の視聴覚表現を学習するために、英語のビデオでトレーニングされたモデルを活用し、それを日本語のビデオなどの他の言語の視聴覚データに適用するカスケードアプローチを提案します。カスケードアプローチを使用すると、日本のビデオのみのトレーニングと比較して、検索パフォーマンスが約10倍向上することがわかります。また、英語のビデオでトレーニングされたモデルを日本語とヒンディー語の画像のキャプションに適用し、最先端のパフォーマンスを実現します。 In this paper, we explore self-supervi
ドメイン適応のための合成磁気共鳴画像：胎児の脳組織セグメンテーションへの応用
Synthetic magnetic resonance images for domain adaptation: Application to fetal brain tissue segmentation 子宮内で発達している人間の脳の定量的評価は、神経発達を完全に理解するために重要です。したがって、自動化された多組織胎児脳セグメンテーションアルゴリズムが開発されており、これには注釈付きデータのトレーニングが必要です。ただし、利用可能な注釈付き胎児脳データセットは、数と不均一性が制限されており、堅牢なセグメンテーションのためのドメイン適応戦略を妨げています。このコンテキストでは、胎児の脳の磁気共鳴取得数値ファントムであるFaBiANを使用して、胎児の脳のさまざまな現実的な磁気共鳴画像とそのクラスラベルをシミュレートします。これらの複数の合成注釈付きデータは、無料で生成され、ターゲット
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
データ拡張は堅牢性を向上させることができます
密なメッシュで運ばれる局所画像の特徴を備えた単眼の人間の形とポーズ
倒立振子のPIDおよびファジィ制御システムの設計と分析
ダイナミックアクティブピクセルビジョンセンサー（Davis）のフィードバックを使用して、リアルタイムでスリップを防止します
影を除去するための物理ベースの影画像分解
スライスされた再帰トランス
STDPを使用したイベントデータの教師なしスパイクインスタンスセグメンテーション
自動グラフエンコーダー-ニューラルネットワークプルーニング用デコーダー
絵を描くことを学ぶ：スケッチによる創発的なコミュニケーション
プレノプティックカメラのキャリブレーションにブラー情報を活用
弱くラベル付けされたビデオを使用した疼痛強度推定の順序回帰のためのディープDA
大腿骨骨折分類を改善するためのカリキュラム学習：事前の知識と不確実性を伴うデータのスケジューリング
合成的に訓練された深い畳み込みネットワークで人体部分をセグメント化することを学ぶ
熱データは検出システムの信頼性を高めますか？
堅牢な教師なしビデオ人物の再識別の活用
RGB-D顕著な物体検出のためのモーダル適応ゲート記録ネットワーク
倫理的に調整されたディープラーニング：偏りのない顔の美的予測
ConformalLayers：連想層を持つ非線形シーケンシャルニューラルネットワーク
敵対的ロバストネスの統一されたゲーム理論的解釈
フローガイダンスによる画像再スケーリングの限界に近づく
コンピュータビジョンと数学的方法を使用した工場機械のパーセンテージでの残留量
SegmentMeIfYouCan：異常セグメンテーションのベンチマーク
生のノイズ除去におけるノイズ合成とモデリングの再考
MixACM：アクティブ化されたチャネルマップの蒸留によるミックスアップベースのロバストネス転送
高齢者の軽度認知障害の自動検出のための深い畳み込みネットワークベースの感情分析
群衆の中の鳥化を見る：知覚された動きからの地面の位置特定
MMD-ReID：目に見える熱の人のReIDのためのシンプルだが効果的なソリューション
Eformer：医用画像のノイズ除去のためのエッジエンハンスメントベースのトランスフォーマー
MAC-ReconNet：動的重み予測を使用したMR画像再構成のための複数取得コンテキストベースの畳み込みニューラルネットワーク
マルチラベルリモートセンシング画像検索のための有益で代表的なトリプレット選択
GDCA：デュアルディスクリミネーターとチャネルアテンションを備えたGANベースの単一画像超解像
少数ショット画像認識のためのエピソードリプレイ蒸留によるインクリメンタルメタ学習
FDG-PET画像によるアルツハイマー病の早期発見のための双線形プーリングおよびメトリック学習ネットワーク
数ショットのセマンティックセグメンテーションのためのデュアルプロトタイプ対照学習
GAN圧縮における弁別器の再検討：生成器-弁別器協調圧縮スキーム
言語とビジョンを備えたクロスモーダルタスクのためのTransformerアーキテクチャの展望と展望
ビデオオブジェクトセグメンテーションのためのピクセルレベルの全単射マッチング
野生のドライバーの目線分類：ドメインと主題にわたる一般化に向けて
局所的な視覚的敵対的摂動に基づく可逆的攻撃
Moblieデバイスでのモデル加速のためのジョイントチャネルとウェイトプルーニング
グラフスペクトルクラスタリングを使用したイベントベースのビジョンのための移動物体検出
半教師あり3D左心房セグメンテーションのためのパラメータデカップリング戦略
点群強化のためのグラフベースの深度ノイズ除去と量子化解除
あなたの場所はどこですか、視覚的な場所の認識？
PREMA：3D形状検索のためのパーツベースの反復マルチビュー集約ネットワーク
TransformationEquivariant解釈を使用した自己解釈可能なモデル
CAPE：連続的な拡張位置埋め込みによる相対位置のエンコード
ディープニューラルネットワークを使用した心臓興奮波のローター位置特定と位相マッピング
注意とマルチスケール機能融合を使用した手術器具のリアルタイムインスタンスセグメンテーション
多次元空間位置符号化のための学習可能なフーリエ特徴
深部地域競争による教師なし前景抽出
ロングテール分類のためのラベル認識分布キャリブレーション
LightFuse：軽量CNNベースのデュアル露出融合
教師なしドメイン適応によるAIベースの結核スクリーニングにおけるドメインシフトの緩和
ニューラルネットワークアンサンブルを使用したCTスキャンでのユニバーサル病変検出
トランスフォーマーを使用したT2MRIでのリンパ節検出
LiMoSeg：リアルタイムの鳥瞰図ベースのLiDARモーションセグメンテーション
自然言語を使用した顔のプレゼンテーション攻撃の検出の説明
ディープラーニングと拡張現実を統合して、消防環境における状況認識を強化する
マルチオブジェクト医療画像セグメンテーションのための意味認識対照学習
ハイブリッドBYOL-ViT：小さなデータセットを処理するための効率的なアプローチ
歩行者と車両の安全性を向上させるための説明可能な自動化された都市介入
U-Netベースのモデルを使用した深海要素の予測
自己監視型および少数ショットの物体検出の調査
分布外のダーモスコピー病変検出のための教師なしアプローチ
TAGLETS：補助データを使用した自動半教師あり学習のためのシステム
マルチモーダル教師なし欺瞞検出のための影響認識ディープビリーフネットワーク表現
正式な論理に基づく視覚的な質問応答
錐台フュージョン：3D検出用の疑似LiDARおよびLiDARフュージョン
前庭神経鞘腫および蝸牛セグメンテーションのためのクロスモダリティドメイン適応
ディープラーニングを使用した胚分極の無染色検出
E（2）電波天文学のための同変自己注意
BRACS：H＆E組織像におけるBReAst癌サブタイピングのデータセット
DR-VNet：高密度残余UNetによる網膜血管セグメンテーション
HEROHEチャレンジ：免疫組織化学またはinsituハイブリダイゼーションを行わずに乳がんのHER2状態を評価する
ディープラーニングによるマルチモダリティ心臓画像分析
MRモダリティが欠落している脳腫瘍セグメンテーションのための機能強化生成およびマルチモダリティ融合ベースの深部神経ネットワーク
ノイズの多いラベルを使用した顕微鏡画像における多発性骨髄腫形質細胞のセグメンテーション
医療画像セグメンテーション用の混合変圧器U-Net
形状認識関係ネットワークを介した正確な内視鏡的粘膜下層剥離術のためのリアルタイムのランドマーク検出
限定ビュー光音響コンピュータ断層撮影のための深層学習適応加速
逆問題の深層学習法の調査
EEGEyeNet：脳波と視線追跡の同時データセットと眼球運動予測のベンチマーク
事前に訓練された顔認識の学習された表現の情報理論的バイアス評価
インターモダリティのプロービング：視覚言語の事前トレーニングのための自己注意による視覚解析
RIFE：ビデオフレーム補間のためのリアルタイム中間フロー推定
3Dモデル上の高密度の代表的な歯のランドマーク/軸検出ネットワーク
緑内障バイオマーカーとしての網膜中心静脈血管幹および枝の三次元構造構成
次世代測定システムの信号処理に関するロードマップ
Klarna製品ページデータセット：Web表現学習の現実的なベンチマーク