Apprentissage de Correspondance Temporelle Non Supervisée pour le Retrait d'Objet Vidéo Unifié

Apprentissage de Correspondance Temporelle Non Supervisée pour le Retrait d'Objet Vidéo Unifié

Apprentissage de la cohérence temporelle non supervisée pour la suppression cohérente d’objets dans les vidéos Contexte de l’étude et motivation Dans le domaine de l’édition et de la restauration de vidéos, la suppression d’objets vidéo (Video Object Removal) est une tâche importante. Son objectif est d’effacer des objets cibles dans une vidéo enti...

CLASH : Apprentissage Complémentaire avec Recherche d'Architecture Neuronale pour la Reconnaissance de la Démarche

CLASH : Apprentissage Complémentaire avec Recherche d'Architecture Neuronale pour la Reconnaissance de la Démarche

CLASH : Cadre de reconnaissance de la démarche basé sur l’apprentissage complémentaire et la recherche d’architecture neuronale Contexte de la recherche La reconnaissance de la démarche est une technique biométrique qui identifie les individus en fonction de leur façon de marcher. Cette technique a de larges applications dans des domaines tels que ...

Vers une évaluation transparente de l'esthétique des images profondes avec des descripteurs de contenu basés sur des étiquettes

Vers une évaluation transparente de l'esthétique des images profondes avec des descripteurs de contenu basés sur des étiquettes

Évaluation esthétique des images profondes transparentes basée sur la description du contenu des étiquettes Contexte académique Avec la popularité croissante des plateformes de médias sociaux comme Instagram et Flickr, la demande pour les modèles d’évaluation esthétique des images (Image Aesthetics Assessment, IAA) augmente. Ces modèles peuvent non...

Équilibrer l'Alignement des Caractéristiques et l'Uniformité pour la Classification avec Peu d'Échantillons

Équilibrer l'Alignement des Caractéristiques et l'Uniformité pour la Classification avec Peu d'Échantillons

Alignement et Uniformité des Caractéristiques Équilibrées pour Résoudre le Problème de Classification avec Peu d’Échantillons Contexte et Motivation L’apprentissage avec peu d’échantillons (Few-Shot Learning, FSL) vise à reconnaître correctement de nouveaux échantillons dans des classes nouvelles avec seulement quelques exemples disponibles. Les mé...

Apprentissage à instances multiples basé sur des informations déterministes négatives pour la détection et la segmentation d'objets faiblement supervisées

Apprentissage à instances multiples basé sur des informations déterministes négatives pour la détection et la segmentation d'objets faiblement supervisées

Negative Deterministic Information-Based Multiple Instance Learning for Weakly Supervised Object Detection and Segmentation Introduction au contexte Au cours de la dernière décennie, des progrès significatifs ont été réalisés dans le domaine de la vision par ordinateur, en particulier dans la détection d’objets (Object Detection) et la segmentation...

Faire avancer la fusion des images hyperspectrales et multispectrales : un réseau de déploiement basée transformateur informée

Faire avancer la fusion des images hyperspectrales et multispectrales : un réseau de déploiement basée transformateur informée

Réseau de déploiement Transformer basé sur la perception de l’information pour promouvoir la fusion d’images hyperspectrales et multispectrales Introduction générale Les images hyperspectrales (Hyperspectral Image, HSI) jouent un rôle crucial dans les applications de télédétection telles que la reconnaissance des matériaux, la classification des im...