論文の概要: Learning to Predict Context-adaptive Convolution for Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2004.08222v2
• Date: Wed, 26 Aug 2020 03:49:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 13:24:47.440191
• Title: Learning to Predict Context-adaptive Convolution 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文脈適応的畳み込み予測学習
• Authors: Jianbo Liu, Junjun He, Jimmy S. Ren, Yu Qiao, Hongsheng Li
• Abstract要約: 長距離コンテキスト情報は、高性能なセマンティックセグメンテーションを実現するために不可欠である。 空間的に変化する特徴重み付けベクトルを予測するためのコンテキスト適応畳み込みネットワーク(CaC-Net)を提案する。 当社のCaC-Netは,3つの公開データセット上でのセグメンテーション性能に優れています。
• 参考スコア（独自算出の注目度）: 66.27139797427147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-range contextual information is essential for achieving high-performance semantic segmentation. Previous feature re-weighting methods demonstrate that using global context for re-weighting feature channels can effectively improve the accuracy of semantic segmentation. However, the globally-sharing feature re-weighting vector might not be optimal for regions of different classes in the input image. In this paper, we propose a Context-adaptive Convolution Network (CaC-Net) to predict a spatially-varying feature weighting vector for each spatial location of the semantic feature maps. In CaC-Net, a set of context-adaptive convolution kernels are predicted from the global contextual information in a parameter-efficient manner. When used for convolution with the semantic feature maps, the predicted convolutional kernels can generate the spatially-varying feature weighting factors capturing both global and local contextual information. Comprehensive experimental results show that our CaC-Net achieves superior segmentation performance on three public datasets, PASCAL Context, PASCAL VOC 2012 and ADE20K.
• Abstract（参考訳）: 長距離文脈情報は高性能な意味セグメンテーションを実現するのに不可欠である。 従来の機能再重み付け手法では,グローバルコンテキストを用いて機能チャネルを再重み付けすることで,セマンティックセグメンテーションの精度を効果的に向上させることができる。 しかし、グローバル共有機能再重み付けベクトルは入力画像内の異なるクラスの領域に最適ではないかもしれない。 本稿では,意味的特徴マップの空間的位置ごとに空間的に変化する特徴重み付けベクトルを予測するためのコンテキスト適応畳み込みネットワーク(CaC-Net)を提案する。 CaC-Netでは,グローバルなコンテキスト情報から,コンテキスト適応型畳み込みカーネルの集合をパラメータ効率よく予測する。 意味的特徴マップの畳み込みに使用する場合、予測された畳み込み核は、グローバルおよびローカルな文脈情報の両方をキャプチャする空間的に変動する特徴重み付け係数を生成することができる。 総合実験の結果,我々のcac-netは,pascal context,pascal voc 2012,ade20kの3つのパブリックデータセットにおいて,優れたセグメンテーション性能を実現していることがわかった。

関連論文リスト

• SWCF-Net: Similarity-weighted Convolution and Local-global Fusion for Efficient Large-scale Point Cloud Semantic Segmentation [10.328077317786342]
  SWCF-Net という名前の類似度重み付き畳み込みとローカル・グローバル・フュージョン・ネットワークを提案する。 提案手法は計算コストを削減し,大規模点群を効率的に処理できる。
  論文  参考訳（メタデータ） (2024-06-17T11:54:46Z)
• CPR++: Object Localization via Single Coarse Point Supervision [55.8671776333499]
  粗い点修正(CPR)は、アルゴリズムの観点からの意味的分散を緩和する最初の試みである。 CPRは、アノテートされた最初のポイントを置き換えるために、近隣地域のセマンティックセンターポイントを選択することで意味のばらつきを減らす。 CPR++は、スケール情報を取得し、グローバル領域における意味的分散をさらに低減することができる。
  論文  参考訳（メタデータ） (2024-01-30T17:38:48Z)
• SemAffiNet: Semantic-Affine Transformation for Point Cloud Segmentation [94.11915008006483]
  ポイントクラウドセマンティックセグメンテーションのためのSemAffiNetを提案する。 我々はScanNetV2とNYUv2データセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-05-26T17:00:23Z)
• An Entropy-guided Reinforced Partial Convolutional Network for Zero-Shot Learning [77.72330187258498]
  エントロピー誘導強化部分畳み込みネットワーク(ERPCNet)を提案する。 ERPCNetは、人間のアノテーションのない意味的関連性と視覚的相関に基づいて、局所性を抽出し、集約する。 グローバルな協力的局所性を動的に発見するだけでなく、ポリシー勾配最適化のためにより高速に収束する。
  論文  参考訳（メタデータ） (2021-11-03T11:13:13Z)
• Sparse Spatial Attention Network for Semantic Segmentation [11.746833714322156]
  空間的注意機構は、各クエリロケーションにグローバルなコンテキスト情報を集約することで、長距離依存関係をキャプチャする。 性能を犠牲にすることなく,空間アテンション機構の効率を向上させるために,スパース空間アテンションネットワーク(SSANet)を提案する。
  論文  参考訳（メタデータ） (2021-09-04T18:41:05Z)
• CTNet: Context-based Tandem Network for Semantic Segmentation [77.4337867789772]
  本研究では,空間コンテキスト情報とチャネルコンテキスト情報とを対話的に探索し,新しいコンテキストベースタンデムネットワーク(CTNet)を提案する。 セマンティックセグメンテーションのための学習表現の性能をさらに向上するため、2つのコンテキストモジュールの結果を適応的に統合する。
  論文  参考訳（メタデータ） (2021-04-20T07:33:11Z)
• Global Context Aware RCNN for Object Detection [1.1939762265857436]
  我々はGCA (Global Context Aware) RCNNと呼ばれる新しいエンドツーエンドのトレーニング可能なフレームワークを提案する。 GCAフレームワークの中核となるコンポーネントは、グローバルな特徴ピラミッドとアテンション戦略の両方を特徴抽出と特徴改善に使用する、コンテキスト認識メカニズムである。 最後に,モデルの複雑さと計算負担をわずかに増加させる軽量バージョンを提案する。
  論文  参考訳（メタデータ） (2020-12-04T14:56:46Z)
• 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。