arxiv_readerのブックマーク / 2023年5月12日 - はてなブックマーク

arxiv_reader id:arxiv_reader

2023年5月12日のブックマーク (107件)

EfficientViT: カスケードグループアテンションを備えたメモリ効率の高いビジョントランスフォーマー
arxiv_reader 2023/05/12
ビジョントランスフォーマーは、その高いモデル機能により大きな成功を収めています。ただし、その優れたパフォーマンスには大量の計算コストが伴うため、リアルタイムアプリケーションには適していません。この

transformer

arXiv reaDer

attention

arXiv

real time
リンク
分散化と高速化により大規模なバンドル調整が可能
arxiv_reader 2023/05/12
任意の大きなバンドル調整問題にスケーリングするには、データとコンピューティングを複数のデバイスに分散する必要があります。従来の集中型手法は、計算と通信のオーバーヘッドのため、小規模または中規模の問題し

arXiv reaDer

benchmark

dataset

arXiv
リンク
SparseGNV: スパース入力ビューを使用した屋内シーンの新しいビューの生成
arxiv_reader 2023/05/12
私たちは、まばらな入力ビューを与えられた屋内シーンの新しいビューを生成することを研究しています。課題は、フォトリアリズムとビューの一貫性の両方を達成することです。私たちは、3D 構造と画像生成モデルを

synthesis

dataset

generative

arXiv reaDer

learning

3D

arXiv

point cloud

sparse
リンク
シンプルなトークンレベルの信頼性によりキャプションの正確性が向上
arxiv_reader 2023/05/12
キャプションが画像を正しく説明しているかどうかを判断する能力は、視覚言語理解の重要な部分です。ただし、最先端のモデルは、きめの細かい詳細の正確性を誤って解釈することが多く、生成されたキャプション内のオ

arXiv reaDer

reasoning

captioning

arXiv
リンク
https://arxiv-check-250201.firebaseapp.com/each/2305.07019v2
arxiv_reader 2023/05/12
私たちは、パラメータがすべてのタスク (オールフォーワン) で共同トレーニングされ、複数のタスク (ワンフォーオール) で完全に共有されるシーケンスツーシーケンスの視覚言語モデルを提示します。

arXiv reaDer

seq2seq

arXiv
リンク
https://arxiv-check-250201.firebaseapp.com/each/2305.07017v2
arxiv_reader 2023/05/12
画像とテキストを接続する最初の基盤モデルである CLIP は、コンピュータービジョンにおける最近の多くのブレークスルーを可能にしました。しかし、それに関連する訓練コストは法外に高く、その広範な探索に

arXiv reaDer

zero-shot

computer vision

arXiv
リンク
現実世界の画像の超解像度のための拡散事前の利用
arxiv_reader 2023/05/12
ブラインド超解像度 (SR) 用に、事前トレーニングされたテキストから画像への拡散モデルにカプセル化された事前知識を活用する新しいアプローチを紹介します。具体的には、時間認識エンコーダを採用することで

pre-training

synthesis

benchmark

generative

arXiv reaDer

super-resolution

arXiv

adaptation
リンク
暗黙的な深さによる仮想オクルージョン
arxiv_reader 2023/05/12
拡張現実 (AR) では、仮想アセットが現実世界のオブジェクトの「間にある」ように見えることが重要です。仮想要素は、妥当な深さの順序に基づいて、現実の物質によってさまざまに遮蔽されたり遮られたりする必

dataset

occlusion

arXiv reaDer

augmentation

arXiv

real time
リンク
ビジョントランスフォーマーを使用したオープンボキャブラリーオブジェクト検出のための地域認識型事前トレーニング
arxiv_reader 2023/05/12
私たちは、画像レベルの事前トレーニングとオープン語彙のオブジェクト検出の間のギャップを埋める、対照的な画像とテキストの事前トレーニングレシピである、地域を意識したオープン語彙ビジョントランスフォー

contrastive learning

transformer

embedding

benchmark

metric

representation

detection

arXiv reaDer

arXiv

zero-shot
リンク
https://arxiv-check-250201.firebaseapp.com/each/2305.06988v2
arxiv_reader 2023/05/12
最近の研究では、ビデオ質問応答に事前トレーニングされた画像言語モデルを利用することで有望な結果が示されています。これらの画像言語モデルは、ビデオ言語モデルの表現学習を効率的にブートストラップできますが

pre-training

video

arXiv reaDer

localization

arXiv

representation learning

zero-shot
リンク
既製の画像生成とキャプションを使用してビジョンモデルのバグを発見する
arxiv_reader 2023/05/12
現実世界の環境下でビジョンモデルの障害を自動的に検出することは、依然として未解決の課題です。この作業は、膨大な量のデータでトレーニングされた既製の大規模な画像からテキストへ、およびテキストから画像へ

synthesis

dataset

generative

arXiv reaDer

captioning

arXiv

adversarial
リンク
メタ幻覚者: 少数ショットのクロスモダリティ心臓画像セグメンテーションに向けて
arxiv_reader 2023/05/12
ドメインシフトとラベル不足により、深層学習アプリケーションのさまざまな医用画像分析タスクが大幅に制限されます。最近、教師なしドメイン適応 (UDA) 技術により、ラベルが豊富なソースドメインからラベ

segmentation

dataset

arXiv reaDer

few-shot

learning

arXiv

unsupervised

domain adaptation
リンク
FreePoint: 教師なし点群インスタンスのセグメンテーション
arxiv_reader 2023/05/12
点群のインスタンスセグメンテーションは、シーン内のオブジェクトの位置特定とセグメント化を伴う多数のアプリケーションを使用する 3D 分野では重要なタスクです。ただし、満足のいく結果を得るには、多数の

pre-training

segmentation

weakly-supervised

arXiv reaDer

3D

self-supervised

unsupervised

arXiv

point cloud
リンク
HuManiFlow: 人間の姿勢と形状の分布推定のための SO(3) 多様体上の先祖条件付き正規化フロー
arxiv_reader 2023/05/12
複数の 3D ソリューションで被写体の 2D 画像を説明できるため、単眼の 3D 人間の姿勢と形状の推定は不適切な設定の問題です。最近のアプローチでは、画像上で条件付けされた、もっともらしい 3D 姿

monocular

pose

estimation

human

autoregressive

arXiv reaDer

3D

arXiv

manifold
リンク
モノプラナーおよびバイプラナー X 線写真からの CT 再構成用トランス
arxiv_reader 2023/05/12
コンピューター断層撮影 (CT) スキャンは、体内の内部構造の詳細かつ正確な情報を提供します。これらは、さまざまな方向から身体に X 線を送信し、この情報を 3 次元ボリュームに結合することによって構

transformer

CT

arXiv reaDer

reconstruction

quantization

arXiv
リンク
トランスフォーマーを使用したデータ効率の高いスライド全体画像分類のためのカスケードクロスアテンションネットワーク
arxiv_reader 2023/05/12
Whole-Slide Imaging により、組織標本の高解像度画像のキャプチャとデジタル化が可能になります。したがって、深層学習モデルを使用したこのような画像の自動分析の需要は高くなります。トラン

transformer

arXiv reaDer

learning

classification

arXiv
リンク
SalienDet: 自動運転のための物体検出のための顕著性ベースの機能拡張アルゴリズム
arxiv_reader 2023/05/12
物体検出 (OD) は自動運転にとって重要です。未知の物体は、自動運転車が動作領域を超えて走行することを妨げる理由の 1 つです。トレーニングサンプルセットに現れないオブジェクトを検出するための顕

dataset

detection

arXiv reaDer

learning

autonomous driving

arXiv

domain

vehicle
リンク
EAML: 文書画像分類のためのアンサンブル自己注意ベースの相互学習ネットワーク
arxiv_reader 2023/05/12
最近、複雑なディープニューラルネットワークは、文書画像の分類や文書検索などのさまざまな文書理解タスクにおいて大きな関心を集めています。多くの文書タイプには明確な視覚スタイルがあるため、文書画像を分

benchmark

dataset

regularization

arXiv reaDer

CNN

classification

learning

arXiv
リンク
少数ショットの弱い教師付き医用画像セグメンテーション用のメタ学習器
arxiv_reader 2023/05/12
視覚認識におけるメタ学習の用途のほとんどは画像分類に適用されることが非常に多く、セグメンテーションや検出などの他のタスクではあまり活用されていません。我々は、医療画像領域における少数ショットの弱教師セ

weakly-supervised

segmentation

dataset

detection

arXiv reaDer

few-shot

classification

arXiv

domain
リンク
物体検出データセット内のノイズの多いラベルとの戦い
arxiv_reader 2023/05/12
ディープニューラルネットワークのトレーニングデータセットの品質は、結果として得られるモデルの精度に寄与する重要な要素です。この効果は、物体検出などの難しいタスクではさらに増幅されます。データセッ

dataset

detection

arXiv reaDer

learning

arXiv
リンク
複数の攻撃下でのハイパースペクトルの敵対的ロバスト性の向上
arxiv_reader 2023/05/12
ハイパースペクトル画像 (HSI) を分類するセマンティックセグメンテーションモデルは、敵対的な例に対して脆弱です。敵対的堅牢性への従来のアプローチは、攻撃されたデータで単一のネットワークをトレー

detection

arXiv reaDer

arXiv

adversarial

semantic segmentation
リンク
VLCDoC: クロスモーダル文書分類のための視覚言語対比事前トレーニングモデル
arxiv_reader 2023/05/12
文書データからのマルチモーダル学習は、意味的に意味のある特徴を事前学習として学習可能な下流タスクに事前トレーニングできるため、最近大きな成功を収めています。この論文では、モダリティ内およびモダリティ間

pre-training

contrastive

dataset

representation

arXiv reaDer

classification

learning

attention

arXiv
リンク
もつれの解除の定義のカテゴリー理論的メタ分析
arxiv_reader 2023/05/12
データの変動要因を解きほぐすことは機械学習の基本概念であり、さまざまな研究者によってさまざまな方法で研究され、多数の定義が生まれています。数多くの実証研究があるにもかかわらず、もつれを解くことの定義的

arXiv reaDer

disentangling

learning

arXiv
リンク
生体認証における標的外のニア衝突攻撃
arxiv_reader 2023/05/12
生体認証システムは、識別または検証という 2 つの異なるモードで動作できます。最初のモードでは、システムはすべてのユーザーの登録テンプレートを検索して一致する個人を認識します。 2 番目のモードでは、

arXiv reaDer

identification

arXiv
リンク
ドメイン不変の 3D 点群マップマッチングのための極のようなランドマークの検出と分類
arxiv_reader 2023/05/12
3D 点群ベースの視覚的自己位置推定では、極ランドマークは、季節や天候の変化下でも長期的に安定しているため、正確かつ信頼性の高い位置推定のためのランドマークとして大きな可能性を秘めています。この研究で

clustering

detection

arXiv reaDer

classification

localization

landmark

3D

self-supervised

arXiv

point cloud
リンク
ニューラルネットワークを用いた社会における障害者の顔の表情の感情認識
arxiv_reader 2023/05/12
人間のコミュニケーションは、他者とコミュニケーションをとるための音声および非言語信号です。人間の表情は、監視システムの画像および記録データベースにおける重要な生体認証オブジェクトです。顔認識は生体認証

pose

face

representation

human

arXiv reaDer

CNN

person

arXiv

emotion
リンク
Gemino: ビデオ会議用の実用的で堅牢なニューラル圧縮
arxiv_reader 2023/05/12
現在のビデオコーデックは極端に低いビットレートでは動作できないため、ネットワーク状態が悪化するとビデオ会議システムのユーザーエクスペリエンスが低下します。最近、顔のランドマーク情報などの各フレーム

occlusion

compression

representation

arXiv reaDer

super-resolution

landmark

arXiv

python

sparse

real time
リンク
自由呼吸心臓 MRI 再構成のためのフーリエ特徴入力を備えた暗黙的ニューラルネットワーク
arxiv_reader 2023/05/12
この論文では、心臓磁気共鳴画像法 (MRI) のアプローチを提案します。これは、継続的な高度にアンダーサンプリングされた測定から鼓動する心臓のリアルタイムビデオを再構築することを目的としています。信号

video

regularization

representation

arXiv reaDer

CNN

reconstruction

MRI

arXiv

real time
リンク
DeepSTEP -- 自動運転車向けの深層学習ベースの時空間エンドツーエンドの認識
arxiv_reader 2023/05/12
自動運転車では、認識アルゴリズムの高精度と堅牢性が求められます。効率的でスケーラブルな認識アルゴリズムを開発するには、利用可能なセンサーデータから最大限の情報を抽出する必要があります。この研究では、

arXiv reaDer

spatio-temporal

domain

arXiv

localization

vehicle

LiDAR

detection

attention
リンク
拡散モデルを使用した構造的に現実的な網膜眼底画像の生成
arxiv_reader 2023/05/12
拡散モデルを使用して、解剖学的に正確な血管構造を持つ網膜眼底画像を生成する新しい手法を紹介します。動脈/静脈マスクを生成して血管構造を作成し、それを調整して網膜眼底画像を生成します。提案手法では、より

segmentation

dataset

arXiv reaDer

augmentation

classification

arXiv
リンク
Collection Space Navigator: 多次元データセットの対話型視覚化インターフェイス
arxiv_reader 2023/05/12
Collection Space Navigator (CSN) は、ベクトル埋め込みやメタデータのテーブルなどの多次元データに関連付けられたビジュアルデジタルアーティファクトの大規模なコレクショ

embedding

dataset

arXiv reaDer

learning

arXiv

interpretation
リンク
https://arxiv-check-250201.firebaseapp.com/each/2304.05292v3
arxiv_reader 2023/05/12
畳み込みニューラルネットワーク (CNN) を含むディープマシンラーニングモデルは、医療画像、アンケート、およびビデオを使用した軽度認知障害 (MCI) の検出に成功しています。この論文では、

transformer

video

dataset

loss function

face

representation

detection

arXiv reaDer

CNN

arXiv
リンク
CLIP-Lite: 言語監督による情報効率の高い視覚表現学習
arxiv_reader 2023/05/12
私たちは、テキスト注釈との特徴の位置合わせによる視覚表現学習のための情報効率の高い方法である CLIP-Lite を提案します。以前に提案された CLIP モデルと比較して、CLIP-Lite は、対

contrastive learning

transfer learning

dataset

arXiv reaDer

classification

arXiv

representation learning

zero-shot
リンク
注意を払ったマルチタスク学習ベースのビデオ異常検出
arxiv_reader 2023/05/12
マルチタスク学習ベースのビデオ異常検出方法は、さまざまなブランチの複数のプロキシタスクを組み合わせて、さまざまな状況でビデオ異常を検出します。ほとんどの既存のメソッドは、補完的なタスクを組み合わせて

video

arXiv reaDer

learning

attention

arXiv

multi-task

anomaly detection

semantic segmentation
リンク
GCFAgg: マルチビュークラスタリングのためのグローバルおよびクロスビューの機能集約
arxiv_reader 2023/05/12
マルチビュークラスタリングは、教師なしの方法でコンセンサス表現を学習することでデータサンプルをカテゴリに分割することができ、近年ますます注目を集めています。ただし、既存のディープクラスタリング手

contrastive learning

clustering

representation

arXiv reaDer

attention

arXiv

unsupervised
リンク
MMF-Track: 3D 単一オブジェクト追跡のためのマルチモーダルマルチレベルフュージョン
arxiv_reader 2023/05/12
3D 単一オブジェクト追跡は、コンピュータービジョンにおいて重要な役割を果たします。主流の方法は主に点群に依存して、ターゲットテンプレートと検索領域の間のジオメトリマッチングを実現します。ただし

computer vision

arXiv reaDer

arXiv

3D

tracking

point cloud
リンク
ReMark: ディープネットワークを使用した受容野ベースの空間ウォーターマーク埋め込みの最適化
arxiv_reader 2023/05/12
透かしは、デジタルメディアの最も重要な著作権保護ツールの 1 つです。最も困難なタイプの透かしは、知覚できない透かしです。これは、データの元の品質を維持しながら、データに識別情報を埋め込みます。その

arXiv reaDer

embedding

adaptation

arXiv
リンク
知識蒸留のための相互情報量の推定と最大化
arxiv_reader 2023/05/12
この作業では、相互情報量最大化知識蒸留（MIMKD）を提案します。私たちの方法は、対照的な目的を使用して、教師と学生のネットワーク間のローカルおよびグローバルな特徴表現の相互情報量の下限を同時に推定し

contrastive

representation

knowledge distillation

arXiv reaDer

arXiv
リンク
適応型データ収集と NeREF ベースの反射率補正により高品質の 3DMPC を生成し、効率的な植物の表現型解析を促進します
arxiv_reader 2023/05/12
高品質の 3 次元 (3D) データおよびマルチスペクトルデータを使用して植物の表現型形質を非破壊的に評価することで、育種者の植物の成長に対する理解を深め、情報に基づいた管理上の意思決定を行うことが

estimation

arXiv reaDer

3D

arXiv

point cloud

robot
リンク
複数の画像モダリティにわたる標準モデリングのためのマルチモーダル変分オートエンコーダー
arxiv_reader 2023/05/12
一般的な神経疾患を研究する際の課題の 1 つは、原因、神経画像特性、併存疾患、または遺伝的変異の違いを含む疾患の不均一性です。規範モデリングは、生理学的システムの「正常な」挙動がモデル化され、疾患病理

arXiv reaDer

metric

arXiv
リンク
将来のビデオフレーム予測のためのアンチエイリアシング予測コーディングネットワーク
arxiv_reader 2023/05/12
ここでは、正確で鮮明な将来のフレームを生成することを目的とした予測コーディングベースのモデルを紹介します。予測符号化仮説と関連研究に触発され、ボトムアップとトップダウンの情報フローの組み合わせを通じ

arXiv reaDer

video

arXiv
リンク
アフリカのコンピュータビジョン研究コミュニティのより良い理解に向けて
arxiv_reader 2023/05/12
コンピュータビジョンは、さまざまなタスク (オブジェクト検出、セマンティックセグメンテーション、3D 再構成など) を含む幅広い研究分野です。コンピュータービジョンはさまざまな用途でアフリカのコ

detection

arXiv reaDer

reconstruction

3D

arXiv

computer vision

semantic segmentation
リンク
Depth Teacher を使用したシングルビューニューラルラディアンスフィールド
arxiv_reader 2023/05/12
Neural Radiance Fields (NeRF) は、フォトリアリスティックで斬新なビューレンダリングのために提案されています。ただし、トレーニングには 1 つのシーンのさまざまなビューが

synthesis

dataset

arXiv reaDer

learning

3D

arXiv
リンク
特徴の切り捨てと弱い注釈への応用を伴うセマンティックセグメンテーションのスペクトル分析
arxiv_reader 2023/05/12
セマンティックセグメンテーションニューラルネットワーク（SSNN）は、オブジェクトの境界を解決するために密なセグメンテーションマップを生成し、計算コストを軽減するためにダウンサンプリングされたグリッド

loss function

U-Net

arXiv reaDer

CNN

pruning

arXiv

domain

semantic segmentation
リンク
乳がんイメージングにおけるディープラーニング: 10 年間の進歩と将来の方向性
arxiv_reader 2023/05/12
乳がんは、2020 年以降、すべての悪性腫瘍の中で世界で最も高い発生率に達しています。乳房画像は、乳がん患者の転帰を改善するための早期診断と介入において重要な役割を果たします。過去 10 年間で、ディ

arXiv reaDer

learning

dataset

arXiv
リンク
医療用 SAM アダプター: 医療用画像セグメンテーション用の Segment Anything モデルの適応
arxiv_reader 2023/05/12
Segment Anything Model (SAM) は、最近、画像セグメンテーションの分野で人気を博しています。 SAM は、オールラウンドなセグメンテーションタスクにおける印象的な機能とプロ

CT

segmentation

arXiv reaDer

MRI

arXiv

computer vision

domain

adaptation
リンク
音声調整された拡散モデルによる音声駆動のビデオ編集
arxiv_reader 2023/05/12
拡散モデルを使用した視覚生成タスクの最近の開発からインスピレーションを得て、ノイズ除去拡散モデルを使用したエンドツーエンドの音声駆動ビデオ編集方法を提案します。話している人のビデオと別の聴覚音声記録が

video

denoising

generative

representation

face

arXiv reaDer

person

landmark

3D

arXiv
リンク
https://arxiv-check-250201.firebaseapp.com/each/2305.06739v2
arxiv_reader 2023/05/12
動きは、磁気共鳴画像法 (MRI) における主要な課題の 1 つです。 MR 信号は周波数空間で取得されるため、画像化された物体が動くと、他の MR イメージングアーチファクトに加えて、再構成された

arXiv reaDer

learning

reconstruction

MRI

arXiv
リンク
MagicVideo: 潜在拡散モデルによる効率的なビデオ生成
arxiv_reader 2023/05/12
潜在拡散モデルに基づいた、MagicVideo と呼ばれる効率的なテキストからビデオへの生成フレームワークを紹介します。 MagicVideo は、指定されたテキストの説明と一致するスムーズなビデオ

pre-training

video

U-Net

arXiv reaDer

reconstruction

3D

attention

arXiv

convolutional
リンク
学習可能な間隔を使用した膨張畳み込み
arxiv_reader 2023/05/12
最近の研究では、畳み込みニューラルネットワーク (CNN) が視覚変換器とその注意メカニズムと競合するために大きな受容野 (RF) を必要とすることが示されています。 CNN では、畳み込みカーネル

transformer

arXiv reaDer

CNN

classification

attention

arXiv
リンク
共同マルチモダリティ画像融合およびそれ以降のためのバイレベル動的学習
arxiv_reader 2023/05/12
最近、画像融合やシーン理解などのマルチモダリティシーン認識タスクが、インテリジェントビジョンシステムに対して広く注目を集めています。ただし、初期の取り組みでは、常に単一のタスクを一方的に推進し、他のタ

segmentation

detection

approximation

arXiv reaDer

learning

attention

arXiv
リンク
気を散らす豪雨: 動き推定のための逆境攻撃
arxiv_reader 2023/05/12
動き推定、またはオプティカルフローに対する現在の敵対的攻撃は、現実世界では発生する可能性が低い、ピクセルごとの小さな摂動を最適化します。対照的に、悪天候はより現実的な脅威シナリオを構成します。したが

differentiable

estimation

arXiv reaDer

3D

arXiv

adversarial

optical flow
リンク
拡散モデルのヌルテキストガイダンスは密かに漫画スタイルのクリエイターです
arxiv_reader 2023/05/12
分類子を使用しないガイダンスは、拡散モデルにおける効果的なサンプリング手法であり、広く採用されています。主なアイデアは、ヌルテキストガイダンスから離れて、テキストガイダンスの方向にモデルを外挿する

arXiv reaDer

arXiv
リンク
希少種の分類学的分類のための深層視覚遺伝バイオメトリクス
arxiv_reader 2023/05/12
視覚的バイオメトリクスと遺伝的バイオメトリクスは、生物学的応用において種と個人を識別するために日常的に使用されています。しかし、この分野では、遺伝学を介して画像データがほとんどない希少なクラスの視覚的

embedding

benchmark

representation

arXiv reaDer

classification

learning

arXiv

domain

biometrics
リンク
WeditGAN: 潜在空間再配置による少数ショット画像生成
arxiv_reader 2023/05/12
少数ショットの画像生成では、ほんの少数の画像で GAN モデルを直接トレーニングすると、過剰学習のリスクに直面します。一般的なソリューションは、大規模なソースドメインで事前トレーニングされたモデルを

dataset

face

GAN

arXiv reaDer

few-shot

arXiv

domain
リンク
DLOFTB -- B スプラインを使用した変形可能な線形オブジェクトの高速追跡
arxiv_reader 2023/05/12
剛体オブジェクトの操作は広く研究されている研究テーマですが、変形可能線形オブジェクト (DLO) の操作は大幅に開発されていないようです。この潜在的な理由は、操作中に形状が変化するため、DLO の状態

occlusion

representation

arXiv reaDer

arXiv

reconstruction

tracking
リンク
せん断エラストグラフィーのためのオブジェクトベースのベイジアン全波形反転
arxiv_reader 2023/05/12
私たちは、組織の異常のシアーエラストグラフィーイメージングにおける不確実性を定量化するための計算フレームワークを開発します。ベイズ推論定式化を採用します。観察されたデータ、順方向モデルとその不確実性を

arXiv reaDer

synthesis

Bayesian

arXiv
リンク
角度事前補正なしの深回転補正
arxiv_reader 2023/05/12
誰もがプロの写真スキルと十分な撮影時間を備えているわけではないため、撮影した画像に傾きが発生する場合があります。この論文では、回転角度が未知の条件下でコンテンツ忠実度の高い傾きを自動的に補正する、回転

residual

benchmark

dataset

estimation

mesh

arXiv reaDer

learning

arXiv

optical flow
リンク
PVT-SSD: ポイントボクセル変換機能を備えたシングルステージ 3D オブジェクト検出器
arxiv_reader 2023/05/12
最近の Transformer ベースの 3D オブジェクト検出器は、ポイントベースまたはボクセルベースの表現から点群の特徴を学習します。ただし、前者では時間のかかるサンプリングが必要となり、後者では

detection

autonomous driving

arXiv reaDer

convolutional

arXiv

point cloud

sparse

3D

quantization

transformer
リンク
自己教師あり行動認識のための部分認識対照学習
arxiv_reader 2023/05/12
近年、対照学習を用いたスケルトンシーケンスを用いた自己教師付き行動認識において、顕著な成果が得られています。人間の行動特徴の意味的区別は、多くの場合、足や手などの局所的な身体部分によって表されることが

contrastive learning

saliency

dataset

arXiv reaDer

augmentation

attention

action recognition

arXiv

self-supervised

representation learning
リンク
コンピュータービジョンにおける双曲的深層学習: 調査
arxiv_reader 2023/05/12
深層表現学習は、現代のコンピュータービジョンの普遍的な部分です。ユークリッド空間は視覚表現を学習するための事実上の標準多様体でしたが、最近では双曲空間がコンピュータービジョンの学習で急速に注目を集

computer vision

arXiv reaDer

arXiv

unsupervised

representation learning

manifold
リンク
V2Meow: 音楽生成による視覚的なビートに合わせて鳴く
arxiv_reader 2023/05/12
ビデオのビジュアルコンテンツを補完する高品質の音楽を生成することは、困難な作業です。既存の視覚条件付き音楽生成システムのほとんどは、生のオーディオ波形ではなく、MIDI ファイルなどの記号音楽データ

pre-training

video

autoregressive

arXiv reaDer

arXiv
リンク
JPEG 画像内の画像レベルのメッセージを隠すためのきめの細かい DCT 表現の活用
arxiv_reader 2023/05/12
ビットレベルのメッセージを隠すこととは異なり、イメージレベルのメッセージを隠すことはより困難であり、大容量、高い感知性、および高いセキュリティが必要です。画像レベルのメッセージを隠す技術の最近の進歩は

compression

representation

arXiv reaDer

quantization

arXiv
リンク
畳み込みニューラルネットワークはセマンティックセグメンテーションの形状をほとんど学習しない
arxiv_reader 2023/05/12
形状学習、つまり形状情報を活用する機能は、ターゲットオブジェクトが特定の形状を持つ場合、畳み込みニューラルネットワーク (CNN) の望ましい特性となる可能性があります。このテーマに関する研究はい

synthesis

metric

arXiv reaDer

CNN

learning

OOD

arXiv

semantic segmentation
リンク
RGBD画像の様式化の実現
arxiv_reader 2023/05/12
この研究論文では、RGB 画像とそれに対応する深度マップを使用した、コンピュータービジョンにおけるスタイル転送の応用について調査します。より現実的なスタイル転送結果を生成するために、RGB 画像の深

arXiv reaDer

RGB-D

computer vision

arXiv
リンク
潜入ディープフェイク: 動画内の偽のセグメントを検出
arxiv_reader 2023/05/12
主に拡散モデルの出現と GAN 手法の反復的改善によって推進された最近の生成モデルの復活により、多くの創造的なアプリケーションが可能になりました。しかし、進歩するたびに、悪用の可能性も高まります。ディ

transformer

benchmark

segmentation

generative

deepfake

detection

GAN

arXiv reaDer

arXiv
リンク
ビジョントランスフォーマーのパッチごとの混合精度量子化
arxiv_reader 2023/05/12
新しいハードウェアが混合ビット幅算術計算をサポートし始めているため、ニューラルネットワークの複雑さを軽減するために混合精度量子化が広く使用されています。ただし、ビジョントランスフォーマー (ViT

transformer

dataset

metric

representation

arXiv reaDer

learning

quantization

arXiv
リンク
あらゆるものをセグメント化して追跡
arxiv_reader 2023/05/12
このレポートでは、ユーザーがビデオ内のあらゆるオブジェクトを正確かつ効果的にセグメント化して追跡できるようにする Segment And Track Anything (SAMTrack) と呼ばれる

video

segmentation

drone

arXiv reaDer

arXiv

augmentation

autonomous driving

tracking
リンク
軽量ビジョントランスフォーマーにおける局所認識の再考
arxiv_reader 2023/05/12
ビジョントランスフォーマー (ViTs) は、さまざまなビジョンタスクで効果的であることが示されています。ただし、モバイルに適したサイズにサイズ変更すると、パフォーマンスが大幅に低下します。したが

transformer

detection

arXiv reaDer

classification

attention

arXiv

convolutional

pooling

semantic segmentation
リンク
EventFormer：フェイシャルアクションユニットイベント検出用のAUイベントトランスフォーマー
arxiv_reader 2023/05/12
フェイシャルアクションユニット（AU）は、人間の感情分析に不可欠な役割を果たします。 AUベースの高レベルの感情分析は実際のアプリケーションで緊急に必要とされていますが、以前の作業で提供されたフレーム

transformer

benchmark

dataset

metric

face

human

detection

arXiv reaDer

arXiv

emotion
リンク
WeLayout: 企業文書における堅牢なレイアウトセグメンテーションに関する ICDAR 2023 コンペティション用の WeChat レイアウト分析システム
arxiv_reader 2023/05/12
このペーパーでは、WeChat Layout Analysis System の略で、企業ドキュメントのレイアウトをセグメント化するための新しいシステムである WeLayout を紹介します。私たちの

segmentation

YOLO

dataset

Bayesian

arXiv reaDer

augmentation

arXiv

anchor free
リンク
画像キャプション担当者は、目にする画像以上のことを伝えることがあります
arxiv_reader 2023/05/12
与えられた画像から説明テキストを生成する画像キャプション、別名「画像からテキスト」は、ディープラーニングの時代を通じて急速に発展してきました。元の画像の情報は、画像キャプション作成者によって生成され

arXiv reaDer

learning

classification

captioning

arXiv
リンク
NeSyFOLD: 畳み込みニューラルネットワークからの論理プログラムの抽出
arxiv_reader 2023/05/12
我々は、CNN から論理ルールを抽出し、画像を分類するための NeSyFOLD モデルを作成するための、NeSyFOLD と呼ばれる新しい神経象徴フレームワークを紹介します。 NeSyFOLD の学習

dataset

arXiv reaDer

CNN

classification

learning

arXiv
リンク
層間ネットワークトレーニングと深層畳み込みニューラルネットワークを使用した従来のネットワークトレーニングの比較
arxiv_reader 2023/05/12
タイトル: 深層畳み込みニューラルネットワークを使用したレイヤーツーレイヤーネットワークトレーニングと従来のネットワークトレーニングの比較要約: 畳み込みニューラルネットワーク (CNN)

arXiv reaDer

pre-training

CNN

arXiv
リンク
アクティブサンプリングを使用した組織病理学におけるデータ効率の高い対照学習
arxiv_reader 2023/05/12
深層学習ベースの診断システムは、デジタル病理学において正確かつ堅牢な定量分析を提供できます。これらのアルゴリズムは、注釈付きの大量のトレーニングデータを必要としますが、病理組織画像の解像度が高いため

contrastive learning

representation

arXiv reaDer

self-supervised

arXiv
リンク
ビデオ補間モデルに対するフレーム間加速攻撃
arxiv_reader 2023/05/12
中間フレームを合成してビデオ品質を向上させることを目的とした、深層学習ベースのビデオフレーム補間 (VIF) 手法は、ここ数年で高度に開発されました。この論文では、VIF モデルの敵対的堅牢性を調査

synthesis

video

arXiv reaDer

learning

arXiv

adversarial
リンク
ピラミッドテクスチャフィルタリング
arxiv_reader 2023/05/12
顕著な構造を維持しながらテクスチャを滑らかにする、シンプルだが効果的なテクニックを紹介します。私たちの方法は、重要な観察に基づいて構築されています。ガウスピラミッドの最も粗いレベルでは、多くの場合、

arXiv reaDer

arXiv
リンク
SAM はビデオの超解像度を向上させることができますか?
arxiv_reader 2023/05/12
ビデオ超解像度 (VSR) の主な課題は、入力フレーム内の大きな動きを処理することであり、そのため、複数のフレームから情報を正確に集約することが困難になります。既存の研究では、効果的な位置合わせと融合

video

arXiv reaDer

super-resolution

attention

arXiv

convolutional

optical flow
リンク
ParamNet: 高速染色正規化のためのパラメーター変数ネットワーク
arxiv_reader 2023/05/12
実際には、デジタル病理画像はさまざまな要因の影響を受けることが多く、その結果、色や明るさに非常に大きな違いが生じます。染色正規化により、デジタル病理画像の色と明るさの違いを効果的に低減できるため、コン

arXiv reaDer

convolutional

dataset

arXiv
リンク
InstructBLIP: 命令チューニングによる汎用視覚言語モデルに向けて
arxiv_reader 2023/05/12
さまざまな言語ドメインのタスクを解決できる汎用言語モデルが、事前トレーニングおよび命令チューニングパイプラインによって駆動されて登場しました。ただし、追加の視覚入力によってタスクの不一致が増加するた

pre-training

dataset

arXiv reaDer

arXiv

zero-shot
リンク
時空間トランスフォーマーのスパイクによるイベントベースの人間の姿勢追跡
arxiv_reader 2023/05/12
イベントカメラは、モーションダイナミクスをキャプチャするための新しい生物学に着想を得たビジョンセンサーであり、3D 人間の姿勢追跡、またはビデオベースの 3D 人間姿勢推定に新たな可能性をもたら

transformer

tracking

dataset

pose estimation

arXiv reaDer

SNN

3D

arXiv

human pose estimation

sparse
リンク
持っているものを大切にしましょう: ディープニューラルネットワークの類似性を利用して効率的なビデオ処理を実現
arxiv_reader 2023/05/12
ディープラーニングにより、さまざまなモノのインターネット (IoT) アプリケーションが可能になりました。それでも、特にリアルタイムビデオ処理アプリケーションにおいて、高精度と計算効率を備えたモデルを

video

regularization

compression

detection

arXiv reaDer

learning

arXiv

real time
リンク
共同分類と複数の明示的な検出クラスによる敵対的ロバスト性の向上
arxiv_reader 2023/05/12
この作業は、敵対的攻撃に対して確実に堅牢なディープネットワークの開発に関するものです。共同ロバスト分類検出は、認定された防御メカニズムとして最近導入されました。この場合、敵対的な例は正しく分類される

regularization

detection

arXiv reaDer

classification

arXiv

adversarial
リンク
ツリー再構築のための L-System キャプションに向けて
arxiv_reader 2023/05/12
この研究は、画像キャプション手法で画像データからリンデンマイヤーシステム (L システム) の単語表現を直接推論することにより、樹木と植物の再構築のための新しい概念を提案します。与えられた画像を表示

representation

arXiv reaDer

reconstruction

captioning

arXiv

point cloud
リンク
NeRF: 3D ビジョンのニューラルラディアンスフィールド、総合的なレビュー
arxiv_reader 2023/05/12
Neural Radiance Field (NeRF) は、暗示的なシーン表現を備えた新しい新しいビュー合成であり、コンピュータービジョンの分野を席巻しました。新しいビュー合成および 3D 再構築

synthesis

benchmark

representation

arXiv reaDer

reconstruction

3D

arXiv

computer vision
リンク
信頼できる自律システムにおける本質的なプライバシー保護ビジョンの必要性
arxiv_reader 2023/05/12
ビジョンは、環境に関する豊富な情報を引き出すことができるロボティクス用の一般的で効果的なセンサーです。シーンのジオメトリとセマンティクスだけでなく、そのシーン内の人間の年齢、性別、アイデンティティ、活

arXiv reaDer

arXiv

activity

simulation

action

robot
リンク
SENDD: 組織追跡のためのまばらで効率的な神経の深さと変形
arxiv_reader 2023/05/12
ロボット支援手術における自動化および画像誘導アプリケーションを可能にするためには、変形可能な追跡と 3D 組織運動のリアルタイム推定が不可欠です。私たちのモデルである Sparse Efficient

tracking

benchmark

estimation

detection

GNN

arXiv reaDer

3D

arXiv

sparse

real time
リンク
PointConvFormer: ポイントベースの畳み込みのリベンジ
arxiv_reader 2023/05/12
点群ベースのディープネットワークアーキテクチャ用の新しいビルディングブロックである PointConvFormer を紹介します。一般化理論に触発された PointConvFormer は、フィ

transformer

segmentation

estimation

arXiv reaDer

attention

arXiv

point cloud

convolutional

sparse
リンク
リアルタイムでシミュレートされたアバターのための永続的なヒューマノイド制御
arxiv_reader 2023/05/12
我々は、ノイズの多い入力（ビデオからの姿勢推定や言語から生成された姿勢推定など）や予期せぬ転倒が存在する場合でも、忠実度の高い動きの模倣とフォールトトレラントな動作を実現する、物理ベースの人型コントロ

video

pose

arXiv reaDer

learning

arXiv

real time
リンク
継続的な表情認識: ベンチマーク
arxiv_reader 2023/05/12
特に現実世界の設定のダイナミクスにおける人間の感情的な行動を理解するには、顔表情認識 (FER) モデルがユーザーの表情、文脈上の属性、および環境における個人差に継続的に適応する必要があります。ベンチ

pre-training

benchmark

dataset

face

human

arXiv reaDer

learning

arXiv

robot
リンク
潜在時間ナビゲーションによる自己教師ありビデオ表現学習
arxiv_reader 2023/05/12
自己教師ありビデオ表現学習は、時間の経過に伴う特徴の永続性を強化するために、1 つのビデオの異なる時間セグメント間の類似性を最大化することを目的としています。これにより、時間的な関係に関連する関連情報

contrastive learning

pre-training

benchmark

dataset

arXiv reaDer

classification

self-supervised

action recognition

arXiv

representation learning
リンク
セグメント何でもモデル (SAM) の堅牢性に関する実証的研究
arxiv_reader 2023/05/12
Segment Anything Model (SAM) は、一般的な画像セグメンテーションの基礎モデルです。主に自然画像で優れたパフォーマンスを発揮しますが、さまざまな画像の摂動や領域に対するロバス

segmentation

dataset

arXiv reaDer

arXiv

domain
リンク
思考と観察のコンボによる外部知識 VQA
arxiv_reader 2023/05/12
外部の知識による視覚的な質問応答は、自由な現実世界の知識の獲得と使用の両方を必要とする困難なタスクです。既存のソリューションの中には、自然言語空間のはるかに広大なテキスト知識を見落とすクロスモダリティ

arXiv reaDer

VQA

arXiv
リンク
拡散ベースの顔生成モデルのバイアスの分析
arxiv_reader 2023/05/12
拡散モデルは、合成データ生成および画像編集アプリケーションでますます人気が高まっています。ただし、これらのモデルは既存のバイアスを増幅し、下流のアプリケーションに伝播する可能性があります。したがって、

synthesis

dataset

face

GAN

arXiv reaDer

bias

arXiv
リンク
多関節オブジェクトを分類するためのローカル領域から領域へのマッピングに基づくアプローチ
arxiv_reader 2023/05/12
現実世界の環境で動作する自律ロボットは、本質的に剛体で関節のあるさまざまな物体に遭遇します。これらの特定のオブジェクトのプロパティに関する知識は、適切な操作戦略を設計するのに役立つだけでなく、多くのロ

benchmark

dataset

pose estimation

arXiv reaDer

arXiv

classification

learning

tracking

point cloud

robot
リンク
モデル間の調整によるテキストからコンセプトへ (そしてその逆)
arxiv_reader 2023/05/12
あるモデルでの画像表現と別のモデルでの画像表現との間のマッピングは、多様なモデル間であっても、線形層だけで驚くほどうまく学習できることが観察されています。この観察に基づいて、固定の事前トレーニング済み

embedding

generative

representation

human

arXiv reaDer

arXiv

zero-shot
リンク
HyperE2VID: ハイパーネットワークを介したイベントベースのビデオ再構築の改善
arxiv_reader 2023/05/12
イベントベースのカメラは、低遅延と高ダイナミックレンジで高速モーションをキャプチャできるため、ますます人気が高まっています。ただし、イベントデータは非常にまばらで変化する性質があるため、イベントか

video

arXiv reaDer

learning

reconstruction

arXiv

convolutional

sparse
リンク
SkeletonMAE: 自己教師付きスケルトンアクション認識のための時空間マスクされたオートエンコーダー
arxiv_reader 2023/05/12
完全に監視されたスケルトンベースの行動認識は、深層学習技術の開花とともに大きな進歩を遂げました。ただし、これらの方法では十分なラベル付きデータが必要であり、入手は容易ではありません。対照的に、自己教師

transformer

pre-training

dataset

arXiv reaDer

reconstruction

3D

attention

action recognition

arXiv

self-supervised
リンク
HumanRF: 動いている人間のための高忠実度の神経放射フィールド
arxiv_reader 2023/05/12
人間のパフォーマンスを高忠実度で表現することは、映画制作、コンピューターゲーム、ビデオ会議などのさまざまなアプリケーションにおいて不可欠な構成要素です。製品レベルの品質とのギャップを埋めるために、マ

synthesis

video

dataset

compression

representation

mesh

human

arXiv reaDer

arXiv
リンク
InternGPT: 言語を超えて ChatGPT と対話してビジョン中心のタスクを解決する
arxiv_reader 2023/05/12
私たちは、InternGPT (略して iGPT) という名前のインタラクティブなビジュアルフレームワークを紹介します。このフレームワークは、ChatGPT などの計画および推論機能を備えたチャット

video

gesture

reasoning

arXiv reaDer

arXiv
リンク
2D/3D 医用画像レジストレーションのための特定のパラメータ初期化による埋め込み特徴類似性の最適化
arxiv_reader 2023/05/12
我々は、新しい深層学習ベースのフレームワークを提案します。2D/3D レジストレーション用の特定パラメータ初期化による埋め込み特徴類似性最適化 (SOPI) です。これは、寸法の不一致、重い計算負荷、

arXiv reaDer

pose

arXiv
リンク
シングルモーダル視覚的場所分類へのマルチモーダルアプローチ
arxiv_reader 2023/05/12
一人称視点の単眼 RGB 画像からの視覚的な場所の分類は、長期にわたるロボットのナビゲーションにおける基本的な問題です。問題は、RGB 画像分類器が空間や外観の変化に対して脆弱であることが多く、季節、

monocular

dataset

estimation

arXiv reaDer

classification

LiDAR

self-supervised

arXiv

domain

RGB-D
リンク
Pavlok-Nudge: いびきのユースケースを使用したアトミックな行動修正のためのフィードバックメカニズム
arxiv_reader 2023/05/12
この論文は、Pavlok デバイスを使用して「悪い習慣を断ち切る」ためのフィードバックメカニズムを提案しています。パブロクは、個人の行動修正を支援する嫌悪テクニックとしてビープ音、振動、ショックを利

arXiv reaDer

learning

arXiv
リンク
Restormer-Plus による現実世界の画像ディレイニング: GT-RAIN チャレンジに対する最先端のソリューション (CVPR 2023 UG^2+ Track 3)
arxiv_reader 2023/05/12
この技術レポートは、GT-RAIN チャレンジ (CVPR 2023 UG^2+ Track 3) に提出された、当社の Restormer-Plus アプローチを紹介します。チャレンジの詳細について

arXiv reaDer

arXiv
リンク
RemOve-And-Retrain の落とし穴について: データ処理の不平等の観点
arxiv_reader 2023/05/12
特徴量の重要度の近似を評価するためのアプローチ (帰属手法とも呼ばれます) は、広範なコンテキストにわたって確立されています。パフォーマンスベンチマークのための回復力のある技術の開発は、説明可能なディ

benchmark

metric

approximation

arXiv reaDer

explainable

learning

bias

arXiv
リンク
低解像度コンディショニングを使用したドメインに依存しない画像から画像への変換
arxiv_reader 2023/05/12
一般に、画像間変換 (i2i) 方法は、翻訳に使用される画像がコンテンツ (ポーズなど) を共有しているが、独自のドメイン固有の情報 (別名スタイル) を持っているという前提で、ドメイン間のマッピング

dataset

arXiv

domain

generative

learning

pose

OOD

arXiv reaDer
リンク
モデルを超えて: Android アプリのディープラーニングモデルへのデータ前処理攻撃
arxiv_reader 2023/05/12
ディープラーニング (DL) モデルの人気の高まりと、スマートフォンでの低遅延や帯域幅の節約などのコンピューティングの利点により、近年、DL アプリとも呼ばれるインテリジェントなモバイルアプリケー

arXiv reaDer

learning

attention

arXiv

adversarial

action
リンク
- 2023年5月15日
- 2023年5月12日
- 2023年5月11日

お知らせ

もっと読む

公式Twitter

@HatenaBookmark
リリース、障害情報などのサービスのお知らせ
@hatebu
最新の人気エントリーの配信

キーボードショートカット一覧

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

設定を変更しましたx