論文の概要: Deep Convolutional Neural Networks with Spatial Regularization, Volume
and Star-shape Priori for Image Segmentation
- arxiv url: http://arxiv.org/abs/2002.03989v1
- Date: Mon, 10 Feb 2020 18:03:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 08:08:39.261992
- Title: Deep Convolutional Neural Networks with Spatial Regularization, Volume
and Star-shape Priori for Image Segmentation
- Title（参考訳）: 画像分割のための空間正規化・体積・星形優先型深部畳み込みニューラルネットワーク
- Authors: Jun Liu, Xiangyue Wang, Xue-cheng Tai
- Abstract要約: CNNの既存のネットワークアーキテクチャにおける分類機能は単純であり、重要な空間情報を扱う能力に欠ける。
我々は,多くの空間的先行情報をDCNNに簡単に統合できる,新しいソフト・スレッショルド・ダイナミクス(STD)フレームワークを提案する。
提案手法は一般的な数学的枠組みであり,どの意味的セグメンテーションDCNNにも適用可能である。
- 参考スコア（独自算出の注目度）: 6.282154392910916
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We use Deep Convolutional Neural Networks (DCNNs) for image segmentation
problems. DCNNs can well extract the features from natural images. However, the
classification functions in the existing network architecture of CNNs are
simple and lack capabilities to handle important spatial information in a way
that have been done for many well-known traditional variational models. Prior
such as spatial regularity, volume prior and object shapes cannot be well
handled by existing DCNNs. We propose a novel Soft Threshold Dynamics (STD)
framework which can easily integrate many spatial priors of the classical
variational models into the DCNNs for image segmentation. The novelty of our
method is to interpret the softmax activation function as a dual variable in a
variational problem, and thus many spatial priors can be imposed in the dual
space. From this viewpoint, we can build a STD based framework which can enable
the outputs of DCNNs to have many special priors such as spatial regularity,
volume constraints and star-shape priori. The proposed method is a general
mathematical framework and it can be applied to any semantic segmentation
DCNNs. To show the efficiency and accuracy of our method, we applied it to the
popular DeepLabV3+ image segmentation network, and the experiments results show
that our method can work efficiently on data-driven image segmentation DCNNs.
- Abstract（参考訳）: 画像分割問題にはディープ畳み込みニューラルネットワーク(DCNN)を用いる。
DCNNは自然画像から特徴を抽出できる。
しかし、既存のCNNのネットワークアーキテクチャにおける分類関数は単純であり、多くのよく知られた変分モデルのために行われた方法で重要な空間情報を扱う能力に欠ける。
従来のDCNNでは、空間的正則性、容積前、物体形状などがうまく扱えない。
本稿では,従来の変分モデルの多くの空間的前処理を画像分割のためのdcnnに容易に統合できる新しいソフトしきい値ダイナミクス(std)フレームワークを提案する。
この手法の目新しさは, 変動問題においてソフトマックス活性化関数を双対変数として解釈することであり, 双対空間に多くの空間前駆を課すことができる。
この観点から、DCNNの出力が空間的規則性、容積制約、星形優先といった多くの特別な先行性を持つことができるSTDベースのフレームワークを構築することができる。
提案手法は一般的な数学的枠組みであり,任意の意味セグメンテーションdcnnに適用可能である。
本手法の効率と精度を示すために,一般的なdeeplabv3+画像分割ネットワークに適用し,本手法がデータ駆動画像セグメンテーションdcnn上で効率的に動作することを示す。
関連論文リスト
- Segmenting objects with Bayesian fusion of active contour models and convnet priors [0.729597981661727]
本稿では,自然資源モニタリング(NRM)画像を対象とした新しい事例分割手法を提案する。
我々は、個々の物体の輪郭を学習する際に、形状、位置、位置の先行を組み込むベイズ最大値後部推論として問題を定式化する。
実験では、個々の枯木樹冠と正確な輪郭を分割する、挑戦的で現実的な問題に取り組む。
論文 参考訳（メタデータ） (2024-10-09T20:36:43Z) - Recurrent Neural Networks for Still Images [0.0]
我々は、RNNが静止画をシーケンスとして解釈することで効果的に処理できることを論じる。
本稿では、画像などの2次元入力に適した新しいRNN設計と、従来の実装よりもメモリ効率が高いBiDirectional RNN(BiRNN)のカスタムバージョンを紹介する。
論文 参考訳（メタデータ） (2024-09-10T06:07:20Z) - Spatial Bayesian Neural Networks [8.594478422578348]
我々は空間ベイズニューラルネットワーク(SBNN)と呼ばれる新しい空間過程モデルを提案する。
SBNNは、空間の微細格子上の位置における有限次元分布を、対象とするプロセスのそれと整合させることにより、校正される。
本稿では, ガウス過程, 対数正規過程, 最大安定過程など, 実際によく使用される様々な空間過程を表現するために, SBNN が利用できることを示す。
論文 参考訳（メタデータ） (2023-11-16T01:22:22Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳（メタデータ） (2023-10-11T12:46:11Z) - Deep network series for large-scale high-dynamic range imaging [2.3759432635713895]
本稿では,大規模高ダイナミックレンジイメージングのための新しい手法を提案する。
ディープニューラルネットワーク(DNN)で訓練されたエンドツーエンドは、ほぼ瞬時に線形逆イメージング問題を解くことができる。
代替のPlug-and-Playアプローチは、高ダイナミックレンジの課題に対処する上で有効であるが、高度に反復的なアルゴリズムに依存している。
論文 参考訳（メタデータ） (2022-10-28T11:13:41Z) - Towards a General Purpose CNN for Long Range Dependencies in
$\mathrm{N}$D [49.57261544331683]
構造変化のない任意の解像度,次元,長さのタスクに対して,連続的な畳み込みカーネルを備えた単一CNNアーキテクチャを提案する。
1$mathrmD$)とビジュアルデータ(2$mathrmD$)の幅広いタスクに同じCCNNを適用することで、我々のアプローチの汎用性を示す。
私たちのCCNNは競争力があり、検討されたすべてのタスクで現在の最先端を上回ります。
論文 参考訳（メタデータ） (2022-06-07T15:48:02Z) - Learning A 3D-CNN and Transformer Prior for Hyperspectral Image
Super-Resolution [80.93870349019332]
本稿では,CNN の代わりに Transformer を用いて HSI の事前学習を行う新しい HSISR 手法を提案する。
具体的には、まず勾配アルゴリズムを用いてHSISRモデルを解き、次に展開ネットワークを用いて反復解過程をシミュレートする。
論文 参考訳（メタデータ） (2021-11-27T15:38:57Z) - OSLO: On-the-Sphere Learning for Omnidirectional images and its
application to 360-degree image compression [59.58879331876508]
全方向画像の表現モデルの学習について検討し、全方向画像の深層学習モデルで使用される数学的ツールを再定義するために、HEALPixの球面一様サンプリングの特性を利用することを提案する。
提案したオン・ザ・スフィア・ソリューションは、等方形画像に適用された類似の学習モデルと比較して、13.7%のビットレートを節約できる圧縮ゲインを向上させる。
論文 参考訳（メタデータ） (2021-07-19T22:14:30Z) - LevelSet R-CNN: A Deep Variational Method for Instance Segmentation [79.20048372891935]
現在、多くのアートモデルはMask R-CNNフレームワークに基づいている。
本稿では,両世界の長所を結合したR-CNNを提案する。
我々はCOCOおよびCityscapesデータセットに対するアプローチの有効性を示す。
論文 参考訳（メタデータ） (2020-07-30T17:52:18Z) - A Flexible Framework for Designing Trainable Priors with Adaptive
Smoothing and Game Encoding [57.1077544780653]
我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。
グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。
このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
論文 参考訳（メタデータ） (2020-06-26T08:34:54Z) - Convex Shape Prior for Deep Neural Convolution Network based Eye Fundus
Images Segmentation [6.163107242394357]
画像分割のためによく使われるDCNNに容易に統合できる手法を提案する。
本手法は,DCNNにおけるシグモイド活性化関数の二重表現に基づく。
提案手法は,従来のDCNNセグメンテーション法よりも効率が高く,性能も優れていることを示す。
論文 参考訳（メタデータ） (2020-05-15T11:36:04Z)
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。