論文の概要: Learning Dynamic Routing for Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2003.10401v1
• Date: Mon, 23 Mar 2020 17:22:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 00:25:28.640809
• Title: Learning Dynamic Routing for Semantic Segmentation
• Title（参考訳）: セマンティックセグメンテーションのための動的ルーティング学習
• Authors: Yanwei Li, Lin Song, Yukang Chen, Zeming Li, Xiangyu Zhang, Xingang Wang, Jian Sun
• Abstract要約: 本稿では,動的ルーティングと呼ばれる意味表現のスケール分散を緩和する概念的に新しい手法を提案する。 提案フレームワークは,各画像のスケール分布に適応して,データ依存経路を生成する。 この目的のために、ハエのスケール変換経路を選択するために、ソフトコンディショナルゲートと呼ばれる微分可能なゲーティング関数を提案する。
• 参考スコア（独自算出の注目度）: 86.56049245100084
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, numerous handcrafted and searched networks have been applied for semantic segmentation. However, previous works intend to handle inputs with various scales in pre-defined static architectures, such as FCN, U-Net, and DeepLab series. This paper studies a conceptually new method to alleviate the scale variance in semantic representation, named dynamic routing. The proposed framework generates data-dependent routes, adapting to the scale distribution of each image. To this end, a differentiable gating function, called soft conditional gate, is proposed to select scale transform paths on the fly. In addition, the computational cost can be further reduced in an end-to-end manner by giving budget constraints to the gating function. We further relax the network level routing space to support multi-path propagations and skip-connections in each forward, bringing substantial network capacity. To demonstrate the superiority of the dynamic property, we compare with several static architectures, which can be modeled as special cases in the routing space. Extensive experiments are conducted on Cityscapes and PASCAL VOC 2012 to illustrate the effectiveness of the dynamic framework. Code is available at https://github.com/yanwei-li/DynamicRouting.
• Abstract（参考訳）: 近年,セマンティックセグメンテーションに多数の手作り検索ネットワークが応用されている。 しかし、以前の研究はFCN、U-Net、DeepLabシリーズなど、事前定義された静的アーキテクチャの様々なスケールで入力を処理することを目的としていた。 本稿では,動的ルーティングと呼ばれる意味表現のスケール分散を緩和する概念的に新しい手法を提案する。 提案フレームワークは,各画像のスケール分布に応じて,データ依存経路を生成する。 この目的のために、ハエのスケール変換経路を選択するために、ソフト条件ゲートと呼ばれる微分可能なゲーティング関数を提案する。 さらに、ゲーティング関数に予算制約を与えることで、エンドツーエンドで計算コストをさらに削減することができる。 さらに,ネットワークレベルのルーティング空間を緩和し,マルチパス伝搬とスキップ接続をサポートすることにより,ネットワーク容量が大幅に向上する。 動的特性の優位性を示すために、ルーティング空間の特別なケースとしてモデル化できるいくつかの静的アーキテクチャと比較した。 CityscapesとPASCAL VOC 2012で大規模な実験を行い、動的フレームワークの有効性を実証した。 コードはhttps://github.com/yanwei-li/dynamicroutingで入手できる。

関連論文リスト

• Image Captioning via Dynamic Path Customization [100.15412641586525]
  画像キャプションのための新しい動的トランスフォーマーネットワーク(DTNet)を提案する。 提案するDTNetの有効性を検証するため,MS-COCOデータセットの広範な実験を行い,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-06-01T07:23:21Z)
• Fast inference of latent space dynamics in huge relational event networks [0.0]
  巨大イベントネットワークに対処可能な確率に基づくアルゴリズムを提案する。 本研究では,解釈可能な潜在空間に埋め込まれたネットワークコミュニティのダイナミクスを推定するための階層的戦略を提案する。 大規模ネットワークでフレームワークを実現するには、機械学習最適化の方法論を借りる。
  論文  参考訳（メタデータ） (2023-03-29T15:18:56Z)
• Dynamic Convolution for 3D Point Cloud Instance Segmentation [146.7971476424351]
  動的畳み込みに基づく3次元点雲からのインスタンスセグメンテーション手法を提案する。 我々は、同じ意味圏と閉投票を持つ等質点を幾何学的遠近点に対して収集する。 提案手法は提案不要であり、代わりに各インスタンスの空間的および意味的特性に適応する畳み込みプロセスを利用する。
  論文  参考訳（メタデータ） (2021-07-18T09:05:16Z)
• Learning to Generate Content-Aware Dynamic Detectors [62.74209921174237]
  サンプル適応型モデルアーキテクチャを自動的に生成する効率的な検出器の設計を新たに導入する。 動的ルーティングの学習を導くために、オブジェクト検出に適したコースツーファインの成層図を紹介します。 MS-COCOデータセットの実験により、CADDetはバニラルーティングに比べて10%少ないFLOPで1.8以上のmAPを達成することが示された。
  論文  参考訳（メタデータ） (2020-12-08T08:05:20Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• CoDiNet: Path Distribution Modeling with Consistency and Diversity for Dynamic Routing [19.296118763012146]
  我々は、新しい光の中で動的ルーティングネットワークを見て、ルーティング手法をサンプル空間からルーティング空間へのマッピングとして定式化する。 本稿では,サンプル空間とルーティング空間の関係をモデル化する新しい手法であるCoDiNetを提案する。 具体的には、類似のセマンティクスを持つサンプルはルーティング空間の同じ領域にマッピングされるべきであり、異種セマンティクスを持つサンプルは異なる領域にマッピングされるべきである。
  論文  参考訳（メタデータ） (2020-05-29T08:09:21Z)
• Gated Path Selection Network for Semantic Segmentation [72.44994579325822]
  我々は,適応的な受容場を学習することを目的とした,GPSNetという新しいネットワークを開発した。 GPSNetにおいて、我々はまず2次元のマルチスケールネットワーク、SuperNetを設計する。 望ましいセマンティックコンテキストを動的に選択するために、ゲート予測モジュールがさらに導入される。
  論文  参考訳（メタデータ） (2020-01-19T12:32:17Z)

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。