論文の概要: Edge-Preserving Guided Semantic Segmentation for VIPriors Challenge
- arxiv url: http://arxiv.org/abs/2007.08919v1
- Date: Fri, 17 Jul 2020 11:49:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 14:04:46.073190
- Title: Edge-Preserving Guided Semantic Segmentation for VIPriors Challenge
- Title（参考訳）: VIPriors Challengeのためのエッジ保存ガイドセマンティックセマンティックセグメンテーション
- Authors: Chih-Chung Hsu and Hsin-Ti Ma
- Abstract要約: 現在の最先端およびディープラーニングに基づくセマンティックセマンティックセグメンテーション技術は、よく訓練することは難しい。
付加的な事前情報を得るためのエッジ保存ガイダンスを提案する。
実験により,提案手法は小型のトレーニングセットで優れた性能が得られることを示した。
- 参考スコア（独自算出の注目度）: 3.435043566706133
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semantic segmentation is one of the most attractive research fields in
computer vision. In the VIPriors challenge, only very limited numbers of
training samples are allowed, leading to that the current state-of-the-art and
deep learning-based semantic segmentation techniques are hard to train well. To
overcome this shortcoming, therefore, we propose edge-preserving guidance to
obtain the extra prior information, to avoid the overfitting under small-scale
training dataset. First, a two-channeled convolutional layer is concatenated to
the last layer of the conventional semantic segmentation network. Then, an edge
map is calculated from the ground truth by Sobel operation and followed by
concatenating a hard-thresholding operation to indicate whether the pixel is
the edge or not. Then, the two-dimensional cross-entropy loss is adopted to
calculate the loss between the predicted edge map and its ground truth, termed
as an edge-preserving loss. In this way, the continuity of boundaries between
different instances can be forced by the proposed edge-preserving loss.
Experiments demonstrate that the proposed method can achieve excellent
performance under small-scale training set, compared to state-of-the-art
semantic segmentation techniques.
- Abstract（参考訳）: セマンティックセグメンテーションはコンピュータビジョンにおける最も魅力的な研究分野の1つである。
VIPriorsチャレンジでは、限られた数のトレーニングサンプルしか許されず、現在の最先端およびディープラーニングベースのセマンティックセマンティックセグメンテーション技術は、うまくトレーニングすることが難しい。
そこで我々は,この欠点を克服するために,大規模トレーニングデータセットの過度な適合を回避するために,事前情報を取得するためのエッジ保存ガイダンスを提案する。
まず、従来のセマンティックセグメンテーションネットワークの最後の層に、2チャンネルの畳み込み層を連結する。
そして、ソベル演算により、接地真理からエッジマップを算出し、その後、ハードスレッディング操作を連結して、画素がエッジであるか否かを示す。
次に、予測されたエッジマップとその基底真理の間の損失を計算するため、2次元のクロスエントロピー損失をエッジ保存損失と呼ぶ。
このようにして、異なるインスタンス間の境界の連続性は、提案されたエッジ保存損失によって強制される。
提案手法は,最先端のセマンティクスセグメンテーション手法と比較して,小規模トレーニングセットで優れた性能が得られることを示す。
関連論文リスト
- Contour-weighted loss for class-imbalanced image segmentation [2.183832403223894]
画像のセグメンテーションは、ほとんど全ての医療画像解析において、自動解釈と処理において極めて重要である。
クラス内とクラス間のデータ不均衡のため、イメージセグメンテーションを実行することはしばしば困難である。
本稿では,コンパクトで効果的な輪郭重み付き損失関数を用いた新しい手法を提案する。
論文 参考訳（メタデータ） (2024-06-07T07:43:52Z) - Edge-aware Plug-and-play Scheme for Semantic Segmentation [4.297988192695948]
提案手法は, 改良を伴わない任意の最先端(SOTA)モデルにシームレスに統合できる。
実験結果から,提案手法は改良を伴わない任意の最先端(SOTA)モデルにシームレスに統合できることが示唆された。
論文 参考訳（メタデータ） (2023-03-18T02:17:37Z) - Zero Pixel Directional Boundary by Vector Transform [77.63061686394038]
我々は境界を1次元曲面として再解釈し、1対1のベクトル変換関数を定式化し、クラス不均衡問題を完全に回避する境界予測の訓練を可能にする。
我々の問題定式化は、境界の方向推定だけでなく、よりリッチなコンテキスト情報もたらし、もし望めば、訓練時にもゼロピクセルの薄い境界が利用可能となる。
論文 参考訳（メタデータ） (2022-03-16T17:55:31Z) - Flip Learning: Erase to Segment [65.84901344260277]
弱い教師付きセグメンテーション(WSS)は、時間と面倒な手作業のアノテーションを減らすのに役立ちます。
ボックスアノテーションのみを必要とするFlip Learningという,斬新で汎用的なWSSフレームワークを提案する。
提案手法は,完全教師付き学習と弱教師付き学習のギャップを狭める大きな可能性を示す。
論文 参考訳（メタデータ） (2021-08-02T09:56:10Z) - InverseForm: A Loss Function for Structured Boundary-Aware Segmentation [80.39674800972182]
逆変換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新しい境界認識損失項を提案する。
このプラグイン損失項は境界変換の捕捉におけるクロスエントロピー損失を補完する。
室内および屋外のセグメンテーションベンチマークにおける損失関数の定量的および定性的効果を解析した。
論文 参考訳（メタデータ） (2021-04-06T18:52:45Z) - Active Boundary Loss for Semantic Segmentation [58.72057610093194]
本稿では,セマンティックセグメンテーションのための新しいアクティブ境界損失を提案する。
エンド・ツー・エンドのトレーニングにおいて、予測境界とグランド・トゥルース・バウンダリのアライメントを徐々に促進することができる。
実験結果から, アクティブ境界損失によるトレーニングは, 境界Fスコアと平均インターセクションオーバ・ユニオンを効果的に改善できることが示された。
論文 参考訳（メタデータ） (2021-02-04T15:47:54Z) - Find it if You Can: End-to-End Adversarial Erasing for Weakly-Supervised
Semantic Segmentation [6.326017213490535]
本稿では,注目マップの逆消去の新たな定式化を提案する。
提案手法はサリエンシマスクを必要とせず, 注意マップの識別対象領域への拡散を防止するために, 正規化損失を用いる。
パスカルVOCデータセットを用いた実験により, 従来と比べ2.1mIoU, 1.0mIoUのセグメンテーション性能が向上することが示された。
論文 参考訳（メタデータ） (2020-11-09T18:35:35Z) - Contrastive Rendering for Ultrasound Image Segmentation [59.23915581079123]
米国の画像にシャープな境界がないことは、セグメンテーションに固有の課題である。
我々は,US画像における境界推定を改善するための,新しい,効果的なフレームワークを提案する。
提案手法は最先端の手法より優れており,臨床応用の可能性も高い。
論文 参考訳（メタデータ） (2020-10-10T07:14:03Z) - Shape-aware Semi-supervised 3D Semantic Segmentation for Medical Images [24.216869988183092]
本稿では,豊富なラベルのないデータを活用し,セグメント化出力に幾何学的形状制約を課す,形状認識型半教師付きセグメンテーション戦略を提案する。
物体表面のセマンティックセグメンテーションと符号付き距離マップDMを共同で予測するマルチタスクディープネットワークを開発した。
実験の結果,提案手法は形状推定を改良し,最先端の手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-07-21T11:44:52Z) - DeepStrip: High Resolution Boundary Refinement [60.00241966809684]
関心領域をストリップ画像に変換し、ストリップ領域の境界予測を計算することを提案する。
対象境界を検出するために,2つの予測層を持つフレームワークを提案する。
我々は、誤報を減らすために、整合性とC0連続性正規化をネットワークに強制する。
論文 参考訳（メタデータ） (2020-03-25T22:44:48Z)
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。