論文の概要: Interactive Learning for Semantic Segmentation in Earth Observation
- arxiv url: http://arxiv.org/abs/2009.11250v1
- Date: Wed, 23 Sep 2020 16:57:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-15 16:30:06.470040
- Title: Interactive Learning for Semantic Segmentation in Earth Observation
- Title(参考訳): 地球観測における意味セグメンテーションのための対話型学習
- Authors: Gaston Lenczner, Adrien Chan-Hon-Tong, Nicola Luminari, Bertrand Le
Saux, Guy Le Besnerais
- Abstract要約: 本研究では,DICA というフレームワーク内での分類マップをインタラクティブに洗練することを提案する。
ニューラルネットワークをターゲット画像に連続的に適応させることで、対話的な学習プロセスと、粗いユーザアノテーションを基幹として構成する。
- 参考スコア(独自算出の注目度): 26.087244189340858
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dense pixel-wise classification maps output by deep neural networks are of
extreme importance for scene understanding. However, these maps are often
partially inaccurate due to a variety of possible factors. Therefore, we
propose to interactively refine them within a framework named DISCA (Deep Image
Segmentation with Continual Adaptation). It consists of continually adapting a
neural network to a target image using an interactive learning process with
sparse user annotations as ground-truth. We show through experiments on three
datasets using synthesized annotations the benefits of the approach, reaching
an IoU improvement up to 4.7% for ten sampled clicks. Finally, we exhibit that
our approach can be particularly rewarding when it is faced to additional
issues such as domain adaptation.
- Abstract(参考訳): 深層ニューラルネットワークによって出力されるDense pixel-wise classification mapは、シーン理解において極めて重要である。
しかし、これらの地図はしばしば様々な要因のために部分的に不正確である。
そこで本稿では,disCA (Deep Image Segmentation with Continual Adaptation) というフレームワークを用いて対話的にそれらを洗練することを提案する。
ニューラルネットワークを対象のイメージに継続的に適応する上で,ユーザアノテーションを基盤として,対話的な学習プロセスを使用する。
合成アノテーションを用いた3つのデータセットの実験を通じて、アプローチの利点を示し、10回のサンプルクリックで最大4.7%のIoU改善を達成した。
最後に、ドメイン適応のような追加的な問題に直面した場合、私たちのアプローチは特に報奨的です。
関連論文リスト
- Auxiliary Tasks Enhanced Dual-affinity Learning for Weakly Supervised
Semantic Segmentation [79.05949524349005]
AuxSegNet+は、サリエンシマップから豊富な情報を探索する弱教師付き補助学習フレームワークである。
また,サリエンシとセグメンテーションの特徴マップから画素レベルの親和性を学習するためのクロスタスク親和性学習機構を提案する。
論文 参考訳(メタデータ) (2024-03-02T10:03:21Z) - Unsupervised Semantic Segmentation Through Depth-Guided Feature Correlation and Sampling [14.88236554564287]
本研究では,シーンの構造に関する情報を学習プロセスに組み込むことにより,教師なし学習の進歩を構築する。
本研究では,(1)特徴マップと深度マップを空間的に相関させて深度-特徴相関を学習し,シーンの構造に関する知識を誘導する。
次に,シーンの深度情報に対する3次元サンプリング技術を利用して,より効果的に特徴を抽出するために,最遠点サンプリングを実装した。
論文 参考訳(メタデータ) (2023-09-21T11:47:01Z) - Unsupervised Domain Adaptation with Contrastive Learning for OCT
Segmentation [49.59567529191423]
本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。
教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
論文 参考訳(メタデータ) (2022-03-07T19:02:26Z) - Improving Lidar-Based Semantic Segmentation of Top-View Grid Maps by
Learning Features in Complementary Representations [3.0413873719021995]
我々は、自律運転の文脈において、スパースで単発のLiDAR測定から意味情報を予測するための新しい方法を提案する。
このアプローチは、トップビューグリッドマップのセマンティックセグメンテーションを改善することを目的としている。
各表現に対して、セマンティック情報を効果的に抽出するために、調整されたディープラーニングアーキテクチャが開発された。
論文 参考訳(メタデータ) (2022-03-02T14:49:51Z) - DIAL: Deep Interactive and Active Learning for Semantic Segmentation in
Remote Sensing [34.209686918341475]
我々は、ディープニューラルネットワークと人間のループでの協調を構築することを提案する。
簡単に言うと、エージェントはネットワークと反復的に対話して、当初欠陥があった予測を修正する。
本研究では,不確実性推定に基づくアクティブラーニングにより,ユーザを迅速に誤りに導くことができることを示す。
論文 参考訳(メタデータ) (2022-01-04T09:11:58Z) - X-Distill: Improving Self-Supervised Monocular Depth via Cross-Task
Distillation [69.9604394044652]
そこで本研究では,クロスタスク知識蒸留による単眼深度の自己指導的訓練を改善する手法を提案する。
トレーニングでは,事前訓練されたセマンティックセグメンテーション教師ネットワークを使用し,そのセマンティック知識を深度ネットワークに転送する。
提案手法の有効性をKITTIベンチマークで評価し,最新技術と比較した。
論文 参考訳(メタデータ) (2021-10-24T19:47:14Z) - Residual Moment Loss for Medical Image Segmentation [56.72261489147506]
位置情報は,対象物体の多様体構造を捉えた深層学習モデルに有効であることが証明された。
既存のほとんどの手法は、ネットワークが学習するために、位置情報を暗黙的にエンコードする。
セグメント化対象の位置情報を明示的に埋め込むために,新しい損失関数,すなわち残差モーメント(RM)損失を提案する。
論文 参考訳(メタデータ) (2021-06-27T09:31:49Z) - GANav: Group-wise Attention Network for Classifying Navigable Regions in
Unstructured Outdoor Environments [54.21959527308051]
本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。
本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。
RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
論文 参考訳(メタデータ) (2021-03-07T02:16:24Z) - 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)
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。