論文の概要: Adaptive feature recombination and recalibration for semantic
segmentation with Fully Convolutional Networks
- arxiv url: http://arxiv.org/abs/2006.11193v1
- Date: Fri, 19 Jun 2020 15:45:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 05:08:23.407207
- Title: Adaptive feature recombination and recalibration for semantic
segmentation with Fully Convolutional Networks
- Title（参考訳）: 完全畳み込みネットワークを用いたセマンティックセグメンテーションのための適応的特徴組換えと再分類
- Authors: Sergio Pereira, Adriano Pinto, Joana Amorim, Alexandrine Ribeiro,
Victor Alves, Carlos A. Silva
- Abstract要約: 完全畳み込みネットワークを用いたセマンティックセグメンテーションに適応した特徴の組換えと空間適応型再分類ブロックを提案する。
その結果、再結合と再校正は競争ベースラインの結果を改善し、3つの異なる問題にまたがって一般化することを示した。
- 参考スコア（独自算出の注目度）: 57.64866581615309
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fully Convolutional Networks have been achieving remarkable results in image
semantic segmentation, while being efficient. Such efficiency results from the
capability of segmenting several voxels in a single forward pass. So, there is
a direct spatial correspondence between a unit in a feature map and the voxel
in the same location. In a convolutional layer, the kernel spans over all
channels and extracts information from them. We observe that linear
recombination of feature maps by increasing the number of channels followed by
compression may enhance their discriminative power. Moreover, not all feature
maps have the same relevance for the classes being predicted. In order to learn
the inter-channel relationships and recalibrate the channels to suppress the
less relevant ones, Squeeze and Excitation blocks were proposed in the context
of image classification with Convolutional Neural Networks. However, this is
not well adapted for segmentation with Fully Convolutional Networks since they
segment several objects simultaneously, hence a feature map may contain
relevant information only in some locations. In this paper, we propose
recombination of features and a spatially adaptive recalibration block that is
adapted for semantic segmentation with Fully Convolutional Networks - the SegSE
block. Feature maps are recalibrated by considering the cross-channel
information together with spatial relevance. Experimental results indicate that
Recombination and Recalibration improve the results of a competitive baseline,
and generalize across three different problems: brain tumor segmentation,
stroke penumbra estimation, and ischemic stroke lesion outcome prediction. The
obtained results are competitive or outperform the state of the art in the
three applications.
- Abstract（参考訳）: 完全な畳み込みネットワークは、画像セマンティックセグメンテーションにおいて顕著な成果を上げつつ、効率的である。
このような効率性は、複数のボクセルを単一のフォワードパスでセグメンテーションする能力から生じる。
したがって、特徴写像内の単位と同じ位置にあるボクセルとの間の直接空間対応が存在する。
畳み込み層では、カーネルはすべてのチャネルにまたがり、それらから情報を抽出する。
チャネル数の増加と圧縮による特徴写像の線形組換えにより,識別能力が向上する可能性が示唆された。
さらに、すべてのフィーチャーマップが予測されるクラスに同じ関連性を持つわけではない。
畳み込みニューラルネットワークを用いた画像分類において、チャネル間関係を学習し、チャネルを再構成し、より関連性の低いものを抑制するために、スクイーズと励磁ブロックが提案されている。
しかし、これらは複数のオブジェクトを同時に分割するので、完全な畳み込みネットワークとのセグメンテーションには適していない。
本稿では,完全畳み込み型ネットワークであるsegseブロックを用いた意味セグメンテーションに適応した特徴の組換えと空間適応型組換えブロックを提案する。
チャンネル間の情報と空間的関連性を考慮して特徴マップを再構成する。
実験結果から,再組換えと再校正は競争ベースラインの結果を改善し,脳腫瘍のセグメンテーション,脳卒中陰影推定,虚血性脳梗塞の予後予測の3つの異なる問題を一般化した。
得られた結果は,3つのアプリケーションにおいて,芸術の状態を競争的あるいは圧倒的に上回っています。
関連論文リスト
- Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳（メタデータ） (2023-08-28T12:55:13Z) - Augmenting Convolutional networks with attention-based aggregation [55.97184767391253]
我々は,非局所的推論を実現するために,注目に基づくグローバルマップを用いた畳み込みネットワークの強化方法を示す。
この学習集約層を2つのパラメータ(幅と深さ)でパラメータ化した単純パッチベースの畳み込みネットワークで接続する。
これは、特にメモリ消費の点で、精度と複雑さの間の驚くほど競争力のあるトレードオフをもたらす。
論文 参考訳（メタデータ） (2021-12-27T14:05:41Z) - Fully Attentional Network for Semantic Segmentation [17.24768249911501]
単一類似マップにおいて,空間的注意とチャネル的注意の両方を符号化するフルアテンショナル・ネットワーク(FLANet)を提案する。
我々の新しい手法は3つの挑戦的セマンティックセグメンテーションデータセットに対して最先端の性能を達成した。
論文 参考訳（メタデータ） (2021-12-08T04:34:55Z) - Group Fisher Pruning for Practical Network Compression [58.25776612812883]
本稿では,様々な複雑な構造に応用可能な汎用チャネルプルーニング手法を提案する。
我々は、単一チャネルと結合チャネルの重要性を評価するために、フィッシャー情報に基づく統一されたメトリクスを導出する。
提案手法は,結合チャネルを含む任意の構造をプルークするために利用できる。
論文 参考訳（メタデータ） (2021-08-02T08:21:44Z) - A persistent homology-based topological loss for CNN-based multi-class
segmentation of CMR [5.898114915426535]
心臓磁気共鳴(CMR)画像のマルチクラスセグメンテーションは、既知の構造と構成を持つ解剖学的構成要素にデータの分離を求める。
最も一般的なCNNベースの手法は、解剖を特徴付ける空間的に拡張された特徴を無視した画素ワイズ損失関数を用いて最適化されている。
これらのアプローチは、全てのクラスラベルとクラスラベルペアのリッチなトポロジカル記述を構築することで、マルチクラスセグメンテーションのタスクに拡張する。
論文 参考訳（メタデータ） (2021-07-27T09:21:38Z) - 3D Medical Multi-modal Segmentation Network Guided by Multi-source
Correlation Constraint [2.867517731896504]
相関制約付き多モードセグメンテーションネットワークを提案する。
実験の結果,BraTS-2018データセットを用いて脳腫瘍のセグメンテーション実験を行い,本手法の有効性を実証した。
論文 参考訳（メタデータ） (2021-02-05T11:23:12Z) - Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。
空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。
提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
論文 参考訳（メタデータ） (2020-11-06T12:17:01Z) - Channel Compression: Rethinking Information Redundancy among Channels in
CNN Architecture [3.3018563701013988]
効率的な畳み込みニューラルネットワーク(CNN)の研究は、畳み込み計算を分解または最適化することによって特徴冗長性を取り除くことを目的としている。
本研究では,CNNアーキテクチャのチャネル間に特徴冗長性が存在すると仮定し,計算効率を高めるためのフリーウェイを提供する。
空間畳み込み, チャネルグループ化, プール操作の進展を受け入れるために, コンパクト畳み込みという新しい畳み込み構造を提案する。
論文 参考訳（メタデータ） (2020-07-02T10:58:54Z) - clDice -- A Novel Topology-Preserving Loss Function for Tubular
Structure Segmentation [57.20783326661043]
中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。
理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。
我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
論文 参考訳（メタデータ） (2020-03-16T16:27:49Z)
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。