論文の概要: ITSELF: Iterative Saliency Estimation fLexible Framework
- arxiv url: http://arxiv.org/abs/2006.16956v2
- Date: Fri, 24 Jul 2020 19:16:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 05:56:40.746660
- Title: ITSELF: Iterative Saliency Estimation fLexible Framework
- Title（参考訳）: 反復的塩分推定 柔軟なフレームワーク
- Authors: Leonardo de Melo Joao, Felipe de Castro Belem, Alexandre Xavier Falcao
- Abstract要約: 機密度オブジェクト検出は、画像で最も顕著なオブジェクトを推定する。
我々は,ユーザ定義の仮定をモデルに追加できる,スーパーピクセルベースのITELF(ITSELF)を提案する。
ITSELFを5つのメトリクスと6つのデータセットで2つの最先端の精度推定器と比較する。
- 参考スコア（独自算出の注目度）: 68.8204255655161
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Saliency object detection estimates the objects that most stand out in an
image. The available unsupervised saliency estimators rely on a pre-determined
set of assumptions of how humans perceive saliency to create discriminating
features. By fixing the pre-selected assumptions as an integral part of their
models, these methods cannot be easily extended for specific settings and
different image domains. We then propose a superpixel-based ITerative Saliency
Estimation fLexible Framework (ITSELF) that allows any user-defined assumptions
to be added to the model when required. Thanks to recent advancements in
superpixel segmentation algorithms, saliency-maps can be used to improve
superpixel delineation. By combining a saliency-based superpixel algorithm to a
superpixel-based saliency estimator, we propose a novel saliency/superpixel
self-improving loop to iteratively enhance saliency maps. We compare ITSELF to
two state-of-the-art saliency estimators on five metrics and six datasets, four
of which are composed of natural-images, and two of biomedical-images.
Experiments show that our approach is more robust than the compared methods,
presenting competitive results on natural-image datasets and outperforming them
on biomedical-image datasets.
- Abstract（参考訳）: 機密度オブジェクト検出は、画像で最も顕著なオブジェクトを推定する。
利用可能な教師なしのサリエンシ推定器は、人間がサリエンシを認識して差別的な特徴を作り出す方法について、事前に決められた仮定のセットに依存している。
事前選択された仮定をモデルに不可欠な部分として固定することで、これらの方法は特定の設定や異なるイメージドメインに対して容易に拡張できない。
次に,ユーザが定義した仮定をモデルに追加可能な,スーパーピクセルに基づく反復的サリエンシー推定フレキシブルフレームワーク(itself)を提案する。
近年のスーパーピクセルセグメンテーションアルゴリズムの進歩により、サリエンシマップはスーパーピクセルのデライン化を改善するために利用できる。
本研究では,サリエンシーに基づくスーパーピクセルアルゴリズムとスーパーピクセルに基づくサリエンシー推定器を組み合わせることで,サリエンシーマップを反復的に拡張する新しいサリエンシー/スーパーピクセル自己改善ループを提案する。
ITSELFを5つの指標と6つのデータセットで比較し、そのうち4つは自然画像と2つのバイオメディカル画像からなる。
実験の結果,本手法は比較法よりも頑健であり,自然画像データセットの競合結果を示し,生体画像データセットよりも優れていた。
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) - 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) - Towards Generalizable Medical Image Segmentation with Pixel-wise
Uncertainty Estimation [5.415458419290347]
ディープニューラルネットワーク(DNN)は、独立および同一分散(IID)仮説の下で、視覚認識において有望な性能を達成する。
IID仮説は多くの現実世界、特に医用画像解析において普遍的に保証されていない。
そこで本稿では,不確実性推定を利用してDNNのハード・ツー・クラス化画素をハイライトするフレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-13T10:09:40Z) - Probabilistic Deep Metric Learning for Hyperspectral Image
Classification [91.5747859691553]
本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。
ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。
我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
論文 参考訳（メタデータ） (2022-11-15T17:57:12Z) - Efficient Multiscale Object-based Superpixel Framework [62.48475585798724]
我々は,SICLE(Iterative CLEarcutting)によるスーパーピクセルという,新しいスーパーピクセルフレームワークを提案する。
SICLEは、複数スケールのセグメンテーションをオンザフライで生成できるオブジェクト情報を利用する。
これは最近のスーパーピクセル法を一般化し、複数のデライン化指標に従って効率と効率性に関する最先端のアプローチを超越している。
論文 参考訳（メタデータ） (2022-04-07T15:59:38Z) - Saliency Enhancement using Superpixel Similarity [77.34726150561087]
Saliency Object Detection (SOD) は画像解析にいくつかの応用がある。
深層学習に基づくSOD法は最も効果的であるが、類似した色を持つ前景の部品を見逃すことがある。
スーパーピクセル類似性(SESS)に対するtextitSaliency Enhancement というポストプロセッシング手法を導入する。
我々は,SESSが5つの画像データセット上での3つのディープラーニングに基づくSOD手法の結果を連続的に,かつ著しく改善できることを実証した。
論文 参考訳（メタデータ） (2021-12-01T17:22:54Z) - Multi-dataset Pretraining: A Unified Model for Semantic Segmentation [97.61605021985062]
我々は、異なるデータセットの断片化アノテーションを最大限に活用するために、マルチデータセット事前訓練と呼ばれる統合フレームワークを提案する。
これは、複数のデータセットに対して提案されたピクセルからプロトタイプへのコントラスト損失を通じてネットワークを事前トレーニングすることで実現される。
異なるデータセットからの画像とクラス間の関係をより良くモデル化するために、クロスデータセットの混合によりピクセルレベルの埋め込みを拡張する。
論文 参考訳（メタデータ） (2021-06-08T06:13:11Z) - Hybrid Generative Models for Two-Dimensional Datasets [5.206057210246861]
2次元配列ベースのデータセットは、さまざまな領域で広く使われている。
生成モデリングの現在のアプローチは、通常、従来の画像データセットに限られている。
本稿では,計算を表現ベース空間に移動させることにより,2次元データセットを生成する新しい手法を提案する。
論文 参考訳（メタデータ） (2021-06-01T03:21:47Z) - BoundarySqueeze: Image Segmentation as Boundary Squeezing [104.43159799559464]
本研究では,オブジェクトとシーンの微細な高画質画像分割のための新しい手法を提案する。
形態素画像処理技術による拡張と浸食に着想を得て,画素レベルのセグメンテーション問題をスクイーズ対象境界として扱う。
提案手法は,COCO,Cityscapesのインスタンス・セグメンテーション・セグメンテーション・セグメンテーションにおいて大きく向上し,同一条件下での精度・速度ともに従来のPointRendよりも優れていた。
論文 参考訳（メタデータ） (2021-05-25T04:58:51Z)
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。