論文の概要: Probabilistic Semantic Segmentation Refinement by Monte Carlo Region
Growing
- arxiv url: http://arxiv.org/abs/2005.05856v1
- Date: Tue, 12 May 2020 15:23:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 19:46:30.285828
- Title: Probabilistic Semantic Segmentation Refinement by Monte Carlo Region
Growing
- Title（参考訳）: モンテカルロ地域成長による確率論的セマンティックセマンティックセグメンテーション
- Authors: Philipe A. Dias and Henry Medeiros
- Abstract要約: 我々は,モンテカルロサンプリングと画素類似性を利用して,高信頼度ラベルを低信頼度分類の領域に伝播する完全教師なし後処理アルゴリズムを提案する。
複数の現代的なセマンティックセグメンテーションネットワークとベンチマークデータセットを用いた実験は、様々なレベルの粗さでセグメンテーション予測を洗練するためのアプローチの有効性を実証する。
- 参考スコア（独自算出の注目度）: 0.7424262881242935
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semantic segmentation with fine-grained pixel-level accuracy is a fundamental
component of a variety of computer vision applications. However, despite the
large improvements provided by recent advances in the architectures of
convolutional neural networks, segmentations provided by modern
state-of-the-art methods still show limited boundary adherence. We introduce a
fully unsupervised post-processing algorithm that exploits Monte Carlo sampling
and pixel similarities to propagate high-confidence pixel labels into regions
of low-confidence classification. Our algorithm, which we call probabilistic
Region Growing Refinement (pRGR), is based on a rigorous mathematical
foundation in which clusters are modelled as multivariate normally distributed
sets of pixels. Exploiting concepts of Bayesian estimation and variance
reduction techniques, pRGR performs multiple refinement iterations at varied
receptive fields sizes, while updating cluster statistics to adapt to local
image features. Experiments using multiple modern semantic segmentation
networks and benchmark datasets demonstrate the effectiveness of our approach
for the refinement of segmentation predictions at different levels of
coarseness, as well as the suitability of the variance estimates obtained in
the Monte Carlo iterations as uncertainty measures that are highly correlated
with segmentation accuracy.
- Abstract（参考訳）: 精細なピクセルレベルの精度を持つセマンティックセグメンテーションは、様々なコンピュータビジョンアプリケーションの基本コンポーネントである。
しかしながら、畳み込みニューラルネットワークのアーキテクチャの最近の進歩によって提供される大きな改善にもかかわらず、現代の最先端手法によって提供されるセグメンテーションは、依然として限定的な境界順守を示している。
我々はモンテカルロサンプリングと画素類似性を利用して高信頼度ラベルを低信頼度分類の領域に伝播する完全教師なし後処理アルゴリズムを提案する。
我々のアルゴリズムは確率的領域成長リファインメント (pRGR) と呼ばれ、クラスタを多変量正規分布のピクセル集合としてモデル化する厳密な数学的基礎に基づいている。
pRGRはベイズ推定と分散低減手法を駆使して、様々な受信フィールドサイズで複数の改善イテレーションを行い、クラスタ統計を更新して局所像の特徴に適応させる。
複数の現代的な意味セグメンテーションネットワークとベンチマークデータセットを用いた実験は、異なる粗さレベルでのセグメンテーション予測の精度向上と、モンテカルロ反復で得られた分散推定をセグメンテーション精度と高い相関性を持つ不確実性尺度として適合性を示す。
関連論文リスト
- Reducing Semantic Ambiguity In Domain Adaptive Semantic Segmentation Via Probabilistic Prototypical Pixel Contrast [7.092718945468069]
ドメイン適応は、ソースとターゲットドメイン間のドメインシフトに起因するターゲットドメインのモデル劣化を低減することを目的としています。
確率的原型画素コントラスト(probabilistic proto-typeal pixel contrast、PPPC)は、各画素の埋め込みを確率としてモデル化する普遍的な適応フレームワークである。
PPPCは、画素レベルでの曖昧さに対処するだけでなく、識別的表現をもたらすだけでなく、合成からリアルタイム、および日毎の適応タスクにおいて大きな改善をもたらす。
論文 参考訳（メタデータ） (2024-09-27T08:25:03Z) - Deep Gaussian mixture model for unsupervised image segmentation [1.3654846342364308]
多くのタスクにおいて、十分なピクセルレベルのラベルを得るのは非常に困難である。
本稿では,ガウス混合モデル(GMM)と教師なしディープラーニング技術を組み合わせた手法を提案する。
マルチシーケンスMRI画像における梗塞領域分割の例について, 様々な実験において本手法の利点を実証する。
論文 参考訳（メタデータ） (2024-04-18T15:20:59Z) - Learning Invariant Inter-pixel Correlations for Superpixel Generation [12.605604620139497]
学習可能な特徴は、制約付き判別能力を示し、不満足なピクセルグループ化性能をもたらす。
本稿では,不変画素間相関と統計特性を選択的に分離するContentangle Superpixelアルゴリズムを提案する。
4つのベンチマークデータセットの実験結果は、既存の最先端手法に対するアプローチの優位性を示している。
論文 参考訳（メタデータ） (2024-02-28T09:46:56Z) - Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。
本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。
本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2023-09-01T11:15:50Z) - Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。
機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。
提案手法は,画像分類における既存の手法よりも優れている。
論文 参考訳（メタデータ） (2022-12-02T07:31:39Z) - Real-Time Scene Text Detection with Differentiable Binarization and
Adaptive Scale Fusion [62.269219152425556]
セグメンテーションに基づくシーンテキスト検出手法はシーンテキスト検出分野において大きな注目を集めている。
本稿では,二項化処理をセグメンテーションネットワークに統合する分散二項化(DB)モジュールを提案する。
アダプティブ・スケール・フュージョン (ASF) モジュールは, 異なるスケールの特徴を適応的に融合させることにより, スケールのロバスト性を向上させる。
論文 参考訳（メタデータ） (2022-02-21T15:30:14Z) - Semantic Distribution-aware Contrastive Adaptation for Semantic
Segmentation [50.621269117524925]
ドメイン適応セマンティックセグメンテーション(ドメイン適応セマンティックセグメンテーション)とは、特定のソースドメインのアノテーションだけで特定のターゲットドメイン上で予測を行うことを指す。
画素ワイド表示アライメントを可能にする意味分布対応コントラスト適応アルゴリズムを提案する。
複数のベンチマークでSDCAを評価し、既存のアルゴリズムを大幅に改善します。
論文 参考訳（メタデータ） (2021-05-11T13:21:25Z) - Distributional Gaussian Process Layers for Outlier Detection in Image
Segmentation [15.086527565572073]
階層的畳み込みガウス過程に対するパラメータ効率のよいベイズ層を提案する。
脳組織セグメンテーションに関する実験により、結果として得られるアーキテクチャは、確立された決定論的セグメンテーションアルゴリズムの性能に近づいた。
我々の不確実性推定は、以前のベイズネットワークの能力を上回る分布外検出をもたらす。
論文 参考訳（メタデータ） (2021-04-28T13:37:10Z) - PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and
Localization [64.39761523935613]
本稿では,画像中の異常を同時検出・ローカライズするPatch Distribution Modeling, PaDiMを提案する。
PaDiMは、パッチの埋め込みに事前訓練された畳み込みニューラルネットワーク(CNN)を使用している。
また、CNNの異なるセマンティックレベル間の相関を利用して、異常のローカライズも改善している。
論文 参考訳（メタデータ） (2020-11-17T17:29:18Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳（メタデータ） (2020-03-10T03:10:41Z)
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。