論文の概要: Unsupervised Learning of Image Segmentation Based on Differentiable
Feature Clustering
- arxiv url: http://arxiv.org/abs/2007.09990v1
- Date: Mon, 20 Jul 2020 10:28:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 13:59:42.729493
- Title: Unsupervised Learning of Image Segmentation Based on Differentiable
Feature Clustering
- Title（参考訳）: 微分可能な特徴クラスタリングに基づく画像分割の教師なし学習
- Authors: Wonjik Kim, Asako Kanezaki, and Masayuki Tanaka
- Abstract要約: 本研究では、教師なし画像分割における畳み込みニューラルネットワーク(CNN)の利用について検討した。
本稿では、正規化と、微分可能なクラスタリングのためのargmax関数からなる、教師なし画像セグメンテーションのエンドツーエンドネットワークを提案する。
第3に,既存の手法よりも精度がよいユーザ入力として,スクリブルを用いたセグメント化手法の拡張を提案する。
- 参考スコア（独自算出の注目度）: 14.074732867392008
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The usage of convolutional neural networks (CNNs) for unsupervised image
segmentation was investigated in this study. In the proposed approach, label
prediction and network parameter learning are alternately iterated to meet the
following criteria: (a) pixels of similar features should be assigned the same
label, (b) spatially continuous pixels should be assigned the same label, and
(c) the number of unique labels should be large. Although these criteria are
incompatible, the proposed approach minimizes the combination of similarity
loss and spatial continuity loss to find a plausible solution of label
assignment that balances the aforementioned criteria well. The contributions of
this study are four-fold. First, we propose a novel end-to-end network of
unsupervised image segmentation that consists of normalization and an argmax
function for differentiable clustering. Second, we introduce a spatial
continuity loss function that mitigates the limitations of fixed segment
boundaries possessed by previous work. Third, we present an extension of the
proposed method for segmentation with scribbles as user input, which showed
better accuracy than existing methods while maintaining efficiency. Finally, we
introduce another extension of the proposed method: unseen image segmentation
by using networks pre-trained with a few reference images without re-training
the networks. The effectiveness of the proposed approach was examined on
several benchmark datasets of image segmentation.
- Abstract（参考訳）: 本研究では、教師なし画像分割における畳み込みニューラルネットワーク(CNN)の利用について検討した。
提案手法では,次の基準を満たすために,ラベル予測とネットワークパラメータ学習を交互に反復する。
(a)類似した特徴の画素は同じラベルを割り当てるべきである。
(b)空間連続画素は同じラベルを付与すべきであり、
(c) ユニークなラベルの数は大きいはずである。
これらの基準は相容れないが,提案手法は類似性損失と空間連続性損失の組合せを最小化して,上記の基準をうまくバランスさせるラベル割り当ての有効な解を求める。
本研究の貢献は4倍である。
まず,分類可能なクラスタリングのための正規化とargmax関数からなる,教師なし画像セグメンテーションのエンドツーエンドネットワークを提案する。
第2に,従来の作業が持つ固定セグメント境界の制限を緩和する空間連続性損失関数を導入する。
第3に,ユーザ入力としてスクリブルを用いたセグメンテーション手法の拡張を行い,効率を保ちながら既存の手法よりも精度が向上した。
最後に,本手法の新たな拡張として,いくつかの参照画像で事前学習したネットワークを用いて,ネットワークの再トレーニングを行わずに画像分割を行う方法を提案する。
画像セグメンテーションのベンチマークデータセットを用いて,提案手法の有効性を検討した。
関連論文リスト
- 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) - RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised
Medical Image Segmentation [26.933651788004475]
我々は、RCPS(Rectified Contrastive Pseudo Supervision)という、新しい半教師付きセグメンテーション手法を提案する。
RCPSは、修正された疑似監督とボクセルレベルのコントラスト学習を組み合わせて、半教師付きセグメンテーションの有効性を向上させる。
実験結果から, 半教師付き医用画像分割における最先端手法と比較して, 高いセグメンテーション性能が得られた。
論文 参考訳（メタデータ） (2023-01-13T12:03:58Z) - Location-Aware Self-Supervised Transformers [74.76585889813207]
画像部品の相対的な位置を予測し,セマンティックセグメンテーションのためのネットワークを事前訓練する。
参照パッチのサブセットを問合せのサブセットにマスキングすることで,タスクの難しさを制御します。
実験により,この位置認識事前学習が,いくつかの難解なセマンティックセグメンテーションベンチマークに競合する表現をもたらすことが示された。
論文 参考訳（メタデータ） (2022-12-05T16:24:29Z) - SePiCo: Semantic-Guided Pixel Contrast for Domain Adaptive Semantic
Segmentation [52.62441404064957]
ドメイン適応セマンティックセグメンテーションは、ラベル付きソースドメインでトレーニングされたモデルを利用することで、ラベル付きターゲットドメイン上で満足のいく密度の予測を試みる。
多くの手法は、ノイズの多い擬似ラベルを緩和する傾向があるが、類似のセマンティックな概念を持つクロスドメインピクセル間の固有の接続を無視する。
本稿では,個々の画素のセマンティックな概念を強調する一段階適応フレームワークSePiCoを提案する。
論文 参考訳（メタデータ） (2022-04-19T11:16:29Z) - Automatic Registration of Images with Inconsistent Content Through
Line-Support Region Segmentation and Geometrical Outlier Removal [17.90609572352273]
本稿では,線支持領域分割と幾何外乱除去(ALRS-GOR)による自動画像登録手法を提案する。
アフィン変形と矛盾した内容を含む画像の登録に関する問題に対処するように設計されている。
提案手法の評価には,アフィン変形を模擬した空中画像など,様々な画像セットが検討されている。
論文 参考訳（メタデータ） (2022-04-02T10:47:16Z) - 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) - Unsupervised Image Segmentation using Mutual Mean-Teaching [12.784209596867495]
より安定した結果を得るために,Mutual Mean-Teaching (MMT) フレームワークに基づく教師なし画像分割モデルを提案する。
実験結果から,提案モデルでは様々な画像の分割が可能であり,既存の手法よりも優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2020-12-16T13:13:34Z) - Pixel-Level Cycle Association: A New Perspective for Domain Adaptive
Semantic Segmentation [169.82760468633236]
本稿では,ソースとターゲットの画素ペア間の画素レベルサイクルの関連性を構築することを提案する。
我々の手法は1段階のエンドツーエンドで訓練でき、追加のパラメータは導入しない。
論文 参考訳（メタデータ） (2020-10-31T00:11:36Z) - A Weakly-Supervised Semantic Segmentation Approach based on the Centroid
Loss: Application to Quality Control and Inspection [6.101839518775968]
本稿では,新しい損失関数を用いた弱教師付きセマンティックセマンティックセマンティクス手法の提案と評価を行う。
アプローチのパフォーマンスは,2つの業界関連ケーススタディのデータセットに対して評価される。
論文 参考訳（メタデータ） (2020-10-26T09:08:21Z) - 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 Embedded Segmentation: Uniting Supervised and Unsupervised
Objectives for Segmenting Histopathological Images [0.0]
本稿では,意味組織分割のための完全畳み込みネットワークを学習するための新しい正規化手法を提案する。
これは教師なし学習(イメージ再構成)の利点をネットワークトレーニングに頼っている。
我々の実験は、これらのデータセットのセグメンテーション結果が、データセットのセグメンテーション結果よりも優れていることを示した。
論文 参考訳（メタデータ） (2020-01-30T08:09:38Z)
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。