論文の概要: TopoAL: An Adversarial Learning Approach for Topology-Aware Road Segmentation

• arxiv url: http://arxiv.org/abs/2007.09084v1
• Date: Fri, 17 Jul 2020 16:06:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 14:25:44.762372
• Title: TopoAL: An Adversarial Learning Approach for Topology-Aware Road Segmentation
• Title（参考訳）: TopoAL: トポロジーを考慮した道路セグメンテーションのための逆学習手法
• Authors: Subeesh Vasu, Mateusz Kozinski, Leonardo Citraro, and Pascal Fua
• Abstract要約: 我々は,我々の目的に合わせたAL(Adversarial Learning)戦略を導入する。 我々は,道路網のどの部分が正しいかを示すラベルピラミッドを返す,より洗練された識別器を使用している。 挑戦的なRoadTracerデータセットでは、最先端のものよりも優れています。
• 参考スコア（独自算出の注目度）: 56.353558147044
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most state-of-the-art approaches to road extraction from aerial images rely on a CNN trained to label road pixels as foreground and remainder of the image as background. The CNN is usually trained by minimizing pixel-wise losses, which is less than ideal to produce binary masks that preserve the road network's global connectivity. To address this issue, we introduce an Adversarial Learning (AL) strategy tailored for our purposes. A naive one would treat the segmentation network as a generator and would feed its output along with ground-truth segmentations to a discriminator. It would then train the generator and discriminator jointly. We will show that this is not enough because it does not capture the fact that most errors are local and need to be treated as such. Instead, we use a more sophisticated discriminator that returns a label pyramid describing what portions of the road network are correct at several different scales. This discriminator and the structured labels it returns are what gives our approach its edge and we will show that it outperforms state-of-the-art ones on the challenging RoadTracer dataset.
• Abstract（参考訳）: 航空画像から道路を抽出する最先端のアプローチは、道路画素を前景として、画像の残りを背景としてラベル付けするよう訓練されたCNNに依存している。 CNNは通常、ピクセル単位での損失を最小限に抑え、道路ネットワークのグローバルな接続性を維持するバイナリマスクを作成するのに理想的ではない。 この問題に対処するために,我々は,我々の目的に合わせたAL戦略を導入する。 ナイーブなネットワークは、セグメンテーションネットワークをジェネレータとして扱い、その出力と地対地セグメンテーションを判別器に供給する。 その後、発電機と判別器を共同で訓練する。 ほとんどのエラーがローカルであり、そのような処理が必要なという事実を捉えていないので、これは十分ではないことを示す。 代わりに、より洗練された判別器を使用して、いくつかの異なるスケールで、道路網のどの部分が正しいかを示すラベルピラミッドを返します。 この識別器と、それが返す構造化ラベルは、私たちのアプローチのエッジであり、挑戦的なRoadTracerデータセットで最先端のラベルよりも優れていることを示す。

関連論文リスト

• Learning Semantic Segmentation with Query Points Supervision on Aerial Images [57.09251327650334]
  セマンティックセグメンテーションアルゴリズムを学習するための弱教師付き学習アルゴリズムを提案する。 提案手法は正確なセマンティックセグメンテーションを行い,手作業のアノテーションに要するコストと時間を大幅に削減することで効率を向上する。
  論文  参考訳（メタデータ） (2023-09-11T14:32:04Z)
• Leveraging Uncertainty for Deep Interpretable Classification and Weakly-Supervised Segmentation of Histology Images [25.429124017422385]
  深い教師付き手法は、解釈可能性のための画像分類とROIセグメンテーションを可能にする。 これらの手法は、偽陽性率を高める非識別領域を明示的にモデル化するメカニズムを欠いている。 本研究では,非識別領域と識別領域の両方を求める新しい正規化項を提案する。
  論文  参考訳（メタデータ） (2022-05-12T02:18:23Z)
• From Explanations to Segmentation: Using Explainable AI for Image Segmentation [1.8581514902689347]
  我々は、説明可能なAI(XAI)コミュニティの進歩の上に構築し、ピクセル単位のバイナリセグメンテーションを抽出する。 我々は,既存のU-Netセグメンテーションアーキテクチャと比較して,同様の結果が得られることを示す。 トレーニングサンプルは画像レベルでのみラベル付けする必要があるため,提案手法は弱教師付きでトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-02-01T10:26:10Z)
• Learning To Segment Dominant Object Motion From Watching Videos [72.57852930273256]
  我々は,有意な移動物体セグメンテーションのための単純なフレームワークを構想する。このフレームワークは,有意なデータを必要としないし,有意な前処理や事前学習された光フローマップに依存しない。 層状画像表現に着想を得て,アフィンパラメトリックの動きに応じて画素領域をグループ化する手法を提案する。 これにより、トレーニングと推論の両方の入力として、RGBイメージペアのみを使用して、支配的なフォアグラウンドオブジェクトのセグメンテーションを学習することができる。
  論文  参考訳（メタデータ） (2021-11-28T14:51:00Z)
• Weakly-Supervised Semantic Segmentation by Learning Label Uncertainty [8.074019565026544]
  画素完全ラベルの小さなサブセットだけでセグメント化ネットワークを訓練する新たな損失関数を提案する。 私たちの損失は、ネットワークにバウンディングボックス内でラベルの不確実性を学ぶように訓練します。 我々は各タスクを18%のピクセル完全度と82%のバウンディングボックスラベルからなるデータセットでトレーニングした。
  論文  参考訳（メタデータ） (2021-10-12T12:19:22Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• Adversarial Segmentation Loss for Sketch Colorization [14.681690787310103]
  スケッチやエッジマップからカラー画像を生成する新しい手法を提案する。 セグメンテーション情報は、スケッチの着色のための貴重なガイダンスを提供するかもしれないと我々は主張する。 我々のモデルは、FID測定値の基準値を最大35ポイント改善する。
  論文  参考訳（メタデータ） (2021-02-11T18:54:56Z)
• R-MNet: A Perceptual Adversarial Network for Image Inpainting [5.471225956329675]
  本稿では,新たな逆マスク演算子であるReverse Masking Network(R-MNet)と組み合わせたWasserstein GANを提案する。 提案手法は,高分解能な塗装作業に一般化でき,人間の視覚系に適応可能なよりリアルな出力を示す。
  論文  参考訳（メタデータ） (2020-08-11T10:58:10Z)
• Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
  弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。 このようなペア関係を学習するための反復アルゴリズムを提案する。 本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
  論文  参考訳（メタデータ） (2020-02-19T10:32:03Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)

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。