MARC

 008250123s2024        us                              c    eng  d
■001000017163774
■00520250211152751
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798342122955
■035    ▼a(MiAaPQ)AAI31532247
■035    ▼a(MiAaPQ)Purdue26236742
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a375
■1001  ▼aSarkar,  Rohan.
■24510▼aLearning  Pose  and  State-Invariant  Object  Representations  for  Fine-Grained  Recognition  and  Retrieval
■260    ▼a[Sl]▼bPurdue  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a165  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  B.
■500    ▼aAdvisor:  Kak,  Avinash.
■5021  ▼aThesis  (Ph.D.)--Purdue  University,  2024.
■520    ▼aObject  Recognition  and  Retrieval  is  a  fundamental  problem  in  Computer  Vision  that  involves  recognizing  objects  and  retrieving  similar  object  images  through  visual  queries.  While  deep  metric  learning  is  commonly  employed  to  learn  image  embeddings  for  solving  such  problems,  the  representations  learned  using  existing  methods  are  not  robust  to  changes  in  viewpoint,  pose,  and  object  state,  especially  for  fine-grained  recognition  and  retrieval  tasks.  To  overcome  these  limitations,  this  dissertation  aims  to  learn  robust  object  representations  that  remain  invariant  to  such  transformations  for  fine-grained  tasks.  First,  it  focuses  on  learning  dual  pose-invariant  embeddings  to  facilitate  recognition  and  retrieval  at  both  the  category  and  finer  object-identity  levels  by  learning  category  and  object-identity  specific  representations  in  separate  embedding  spaces  simultaneously.  For  this,  the  PiRO  framework  is  introduced  that  utilizes  an  attention-based  dual  encoder  architecture  and  novel  pose-invariant  ranking  losses  for  each  embedding  space  to  disentangle  the  category  and  object  representations  while  learning  pose-invariant  features.  Second,  the  dissertation  introduces  ranking  losses  that  cluster  multi-view  images  of  an  object  together  in  both  the  embedding  spaces  while  simultaneously  pulling  the  embeddings  of  two  objects  from  the  same  category  closer  in  the  category  embedding  space  to  learn  fundamental  category-specific  attributes  and  pushing  them  apart  in  the  object  embedding  space  to  learn  discriminative  features  to  distinguish  between  them.  Third,  the  dissertation  addresses  state-invariance  and  introduces  a  novel  Objects:  With  State:  Change  dataset  to  facilitate  research  in  recognizing  fine-grained  objects  with  state  changes  involving  structural  transformations  in  addition  to  pose  and  viewpoint  changes.  Fourth,  it  proposes  a  curriculum  learning  strategyto  progressively  sample  object  images  that  are  harder  to  distinguish  for  training  the  model,  enhancing  its  ability  to  capture  discriminative  features  for  fine-grained  tasks  amidst  state  changes  and  other  transformations.  Experimental  evaluations  demonstrate  significant  improvements  in  object  recognition  and  retrieval  performance  compared  to  previous  methods,  validating  the  effectiveness  of  the  proposed  approaches  across  several  challenging  datasets  under  various  transformations.
■590    ▼aSchool  code:  0183.
■650  4▼aCurricula
■650  4▼aObject  linking  &  embedding
■650  4▼aComputer  science
■690    ▼a0984
■71020▼aPurdue  University.
■7730  ▼tDissertations  Abstracts  International▼g86-05B.
■790    ▼a0183
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163774▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서