論文の概要: Saliency Enhancement using Gradient Domain Edges Merging
- arxiv url: http://arxiv.org/abs/2002.04380v1
- Date: Tue, 11 Feb 2020 14:04:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 02:22:19.963751
- Title: Saliency Enhancement using Gradient Domain Edges Merging
- Title（参考訳）: 勾配領域エッジマージによる塩分向上
- Authors: Dominique Beaini, Sofiane Achiche, Alexandre Duperre, Maxime Raison
- Abstract要約: 本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。
これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。
SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
- 参考スコア（独自算出の注目度）: 65.90255950853674
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In recent years, there has been a rapid progress in solving the binary
problems in computer vision, such as edge detection which finds the boundaries
of an image and salient object detection which finds the important object in an
image. This progress happened thanks to the rise of deep-learning and
convolutional neural networks (CNN) which allow to extract complex and abstract
features. However, edge detection and saliency are still two different fields
and do not interact together, although it is intuitive for a human to detect
salient objects based on its boundaries. Those features are not well merged in
a CNN because edges and surfaces do not intersect since one feature represents
a region while the other represents boundaries between different regions. In
the current work, the main objective is to develop a method to merge the edges
with the saliency maps to improve the performance of the saliency. Hence, we
developed the gradient-domain merging (GDM) which can be used to quickly
combine the image-domain information of salient object detection with the
gradient-domain information of the edge detection. This leads to our proposed
saliency enhancement using edges (SEE) with an average improvement of the
F-measure of at least 3.4 times higher on the DUT-OMRON dataset and 6.6 times
higher on the ECSSD dataset, when compared to competing algorithm such as
denseCRF and BGOF. The SEE algorithm is split into 2 parts, SEE-Pre for
preprocessing and SEE-Post pour postprocessing.
- Abstract（参考訳）: 近年,画像の境界を見つけるエッジ検出や,画像内の重要な物体を見つける健全な物体検出など,コンピュータビジョンにおけるバイナリ問題の解決が急速に進んでいる。
この進歩は、複雑で抽象的な特徴を抽出できるディープラーニングと畳み込みニューラルネットワーク(CNN)の台頭によって起こった。
しかしながら、エッジ検出とサリエンシはまだ2つの異なる分野であり、人間はその境界に基づいてサリエントオブジェクトを検出することは直感的であるが、相互に相互作用しない。
CNNでは、エッジと表面が交差しないため、これらの機能はうまくマージされていない。
現在の作業において、主な目的は、サリエンシーマップとエッジをマージし、サリエンシーの性能を向上させる方法を開発することである。
そこで我々は,salient object detectionの画像領域情報とエッジ検出の勾配領域情報とを高速に結合できるgdm(gradient-domain merge)を開発した。
これにより,dut-omronデータセットにおけるf-measureの平均値が3.4倍高く,ecssdデータセットでは6.6倍に向上したエッジを用いたサリエンシ向上が提案されている(参照)。
SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
関連論文リスト
- Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。
そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。
PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
論文 参考訳（メタデータ） (2024-07-26T06:29:09Z) - Learning to utilize image second-order derivative information for crisp edge detection [13.848361661516595]
エッジ検出はコンピュータビジョンの基本課題である。
最近のトップパフォーマンスエッジ検出手法は、厚くノイズの多いエッジラインを生成する傾向にある。
本稿では,モデルが真のエッジピクセルを正確に検出するのに役立つ2階微分型マルチスケールコンテキスト拡張モジュール(SDMCM)を提案する。
また、不均衡分布問題を軽減するために、ハイブリッド焦点損失関数(HFL)を構築した。
最後に、エッジ検出のためのSDMCMとBRMに基づくLUS-NetというU字型ネットワークを提案する。
論文 参考訳（メタデータ） (2024-06-09T13:25:02Z) - Edge-Aware Mirror Network for Camouflaged Object Detection [5.032585246295627]
エッジ検出と擬似オブジェクトセグメンテーションをモデル化する新しいエッジ対応ミラーネットワーク(EAMNet)を提案する。
EAMNetは2分岐アーキテクチャを持ち、セグメンテーションによるエッジアグリゲーションモジュールとエッジによる完全アグリゲーションモジュールがセグメンテーションブランチとエッジ検出ブランチをクロスガイドするように設計されている。
実験の結果,EAMNetは3つの広く使用されているCODデータセットにおいて,既存の最先端ベースラインよりも優れていた。
論文 参考訳（メタデータ） (2023-07-08T08:14:49Z) - Geometry-Aware Network for Domain Adaptive Semantic Segmentation [64.00345743710653]
本稿では,ドメイン間のギャップを小さくするために,ドメイン適応のための幾何学的ネットワーク(GANDA)を提案する。
我々は、RGB-D画像から生成された点雲上の3Dトポロジを利用して、対象領域における座標色歪みと擬似ラベルの微細化を行う。
我々のモデルは,GTA5->CityscapesとSynTHIA->Cityscapesの最先端技術より優れている。
論文 参考訳（メタデータ） (2022-12-02T00:48:44Z) - GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。
本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。
提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-10-19T17:56:03Z) - Position-Aware Relation Learning for RGB-Thermal Salient Object
Detection [3.115635707192086]
我々は,Swin Transformerに基づくRGB-T SODのための位置認識型関係学習ネットワーク(PRLNet)を提案する。
PRLNetは、クラス内コンパクト性とクラス間分離を強化するために、ピクセル間の距離と方向の関係を探索する。
さらに、RGB-T SODのマルチスペクトル特徴表現を強化するために、純粋なトランスフォーマーエンコーダデコーダネットワークを構成する。
論文 参考訳（メタデータ） (2022-09-21T07:34:30Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Boundary-Aware Geometric Encoding for Semantic Segmentation of Point
Clouds [45.270215729464056]
境界情報は2Dイメージセグメンテーションにおいて重要な役割を果たすが、通常は3Dポイントクラウドセグメンテーションでは無視される。
境界点を予測するための境界予測モジュール(BPM)を提案する。
予測された境界に基づいて、境界認識ジオメトリック。
GEMは、幾何学的情報をエンコードし、近隣の差別を伴う特徴を集約するように設計されている。
論文 参考訳（メタデータ） (2021-01-07T05:38:19Z) - Learning Crisp Edge Detector Using Logical Refinement Network [29.59728791893451]
本稿では,セグメント化とエッジマップの論理的関係を動機とした,クリップエッジ検出のための新しい論理改良ネットワークを提案する。
このネットワークは、結合オブジェクトとエッジ検出ネットワークと、より正確で、よりクリアで、より薄い高品質のバイナリエッジマップを予測するクリップエッジリファインメントネットワークで構成されている。
論文 参考訳（メタデータ） (2020-07-24T11:12:48Z) - Refined Plane Segmentation for Cuboid-Shaped Objects by Leveraging Edge
Detection [63.942632088208505]
本稿では,セグメント化された平面マスクを画像に検出されたエッジと整列するための後処理アルゴリズムを提案する。
これにより、立方体形状の物体に制限を加えながら、最先端のアプローチの精度を高めることができます。
論文 参考訳（メタデータ） (2020-03-28T18:51:43Z)
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。