論文の概要: Graph-FCN for image semantic segmentation
- arxiv url: http://arxiv.org/abs/2001.00335v1
- Date: Thu, 2 Jan 2020 06:05:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-16 04:23:06.944223
- Title: Graph-FCN for image semantic segmentation
- Title(参考訳): 画像セマンティックセグメンテーションのためのグラフFCN
- Authors: Yi Lu, Yaran Chen, Dongbin Zhao, Jianxin Chen
- Abstract要約: 画像セマンティックセグメンテーションのための完全畳み込みネットワーク(FCN)であるGraph-FCNを提案する。
まず、画像グリッドデータを畳み込みネットワークによりグラフ構造データに拡張し、セマンティックセグメンテーション問題をグラフノード分類問題に変換する。
私たちが知る限り、画像意味のセグメンテーションにグラフ畳み込みネットワークを適用するのは、これが初めてです。
- 参考スコア(独自算出の注目度): 9.040293432309856
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semantic segmentation with deep learning has achieved great progress in
classifying the pixels in the image. However, the local location information is
usually ignored in the high-level feature extraction by the deep learning,
which is important for image semantic segmentation. To avoid this problem, we
propose a graph model initialized by a fully convolutional network (FCN) named
Graph-FCN for image semantic segmentation. Firstly, the image grid data is
extended to graph structure data by a convolutional network, which transforms
the semantic segmentation problem into a graph node classification problem.
Then we apply graph convolutional network to solve this graph node
classification problem. As far as we know, it is the first time that we apply
the graph convolutional network in image semantic segmentation. Our method
achieves competitive performance in mean intersection over union (mIOU) on the
VOC dataset(about 1.34% improvement), compared to the original FCN model.
- Abstract(参考訳): 深層学習によるセマンティックセグメンテーションは画像中のピクセルの分類において大きな進歩を遂げた。
しかし,画像のセマンティクスセグメンテーションにおいて重要となる深層学習による高レベル特徴抽出では,局所的な位置情報は無視されることが多い。
この問題を回避するため,画像セマンティックセグメンテーションのための全畳み込みネットワーク(FCN)であるGraph-FCNを初期化したグラフモデルを提案する。
まず、画像グリッドデータを畳み込みネットワークによりグラフ構造データに拡張し、セマンティックセグメンテーション問題をグラフノード分類問題に変換する。
次に,グラフ畳み込みネットワークを適用し,このグラフノード分類問題を解く。
私たちが知る限り、画像意味のセグメンテーションにグラフ畳み込みネットワークを適用するのは、これが初めてです。
提案手法は,従来のFCNモデルと比較して,VOCデータセット(約1.34%の改善)上の平均結合(mIOU)における競合性能を実現する。
関連論文リスト
- Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる
本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。
我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
論文 参考訳(メタデータ) (2024-05-27T17:52:12Z) - Local Structure-aware Graph Contrastive Representation Learning [12.554113138406688]
複数のビューからノードの構造情報をモデル化するための局所構造対応グラフ比較表現学習法(LS-GCL)を提案する。
ローカルビューでは、各ターゲットノードのセマンティックサブグラフが共有GNNエンコーダに入力され、サブグラフレベルに埋め込まれたターゲットノードを取得する。
グローバルな視点では、元のグラフはノードの必要不可欠な意味情報を保存しているので、共有GNNエンコーダを利用して、グローバルなグラフレベルでターゲットノードの埋め込みを学習する。
論文 参考訳(メタデータ) (2023-08-07T03:23:46Z) - Pixel-wise Graph Attention Networks for Person Re-identification [18.662170017063286]
グラフ畳み込みネットワーク(GCN)は不規則データを扱うために広く使われている。
構造化データ(画像など)にGCNを適用する方法については、まだ深く研究されていない。
本稿では,画像特徴抽出におけるグラフアテンションネットワーク(GAT)の適用について検討する。
論文 参考訳(メタデータ) (2023-07-18T12:12:42Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳(メタデータ) (2023-06-14T09:21:15Z) - Hypergraph Convolutional Networks for Weakly-Supervised Semantic
Segmentation [1.7849339006560665]
Weakly-supervised Semantic Networks (HyperGCN-WSS) のための HyperGraph Convolutional Networks を用いた新しいアルゴリズムを提案する。
提案アルゴリズムは,データセット内の画像からk-Nearest Neighborグラフとk-Nearest Neighborグラフを構築し,ハイパーグラフを生成する。
HyperGCNの出力はデノミネーションされた擬似ラベルで、後にセマンティックセグメンテーションのためのDeepLabモデルをトレーニングするために使用される。
論文 参考訳(メタデータ) (2022-10-11T15:59:10Z) - Distilling Ensemble of Explanations for Weakly-Supervised Pre-Training
of Image Segmentation Models [54.49581189337848]
本稿では,分類データセットに基づく画像分割モデルのエンドツーエンド事前学習を可能にする手法を提案する。
提案手法は重み付きセグメンテーション学習法を利用して,重み付きセグメンテーションネットワークを事前訓練する。
実験の結果,ImageNetにソースデータセットとしてPSSLを伴って提案されたエンドツーエンドの事前トレーニング戦略が,さまざまなセグメンテーションモデルの性能向上に成功していることがわかった。
論文 参考訳(メタデータ) (2022-07-04T13:02:32Z) - Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。
画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。
特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
論文 参考訳(メタデータ) (2020-12-09T12:40:13Z) - Processing of incomplete images by (graph) convolutional neural networks [7.778461949427663]
欠落した値を置き換えることなく、不完全な画像からニューラルネットワークを訓練する問題について検討する。
画像はまずグラフとして表現され、欠落したピクセルは完全に無視される。
グラフ画像表現は空間グラフ畳み込みネットワークを用いて処理される。
論文 参考訳(メタデータ) (2020-10-26T21:40:03Z) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳(メタデータ) (2020-10-20T05:54:31Z) - Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。
少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。
我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
論文 参考訳(メタデータ) (2020-06-18T00:55:10Z)
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。