論文の概要: MP-ResNet: Multi-path Residual Network for the Semantic segmentation of
High-Resolution PolSAR Images
- arxiv url: http://arxiv.org/abs/2011.05088v2
- Date: Mon, 16 Nov 2020 14:02:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 07:39:58.000539
- Title: MP-ResNet: Multi-path Residual Network for the Semantic segmentation of
High-Resolution PolSAR Images
- Title（参考訳）: MP-ResNet:高分解能POSAR画像のセマンティックセグメンテーションのためのマルチパス残留ネットワーク
- Authors: Lei Ding, Kai Zheng, Dong Lin, Yuxing Chen, Bing Liu, Jiansheng Li and
Lorenzo Bruzzone
- Abstract要約: 本稿では,高解像度PolSAR画像のセマンティックセグメンテーションのためのマルチパスResNet(MP-ResNet)アーキテクチャを提案する。
従来のU字型エンコーダ・デコーダ畳み込みニューラルネットワーク(CNN)アーキテクチャと比較して、MP-ResNetは並列なマルチスケールブランチでセマンティックコンテキストを学習する。
- 参考スコア（独自算出の注目度）: 21.602484992154157
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There are limited studies on the semantic segmentation of high-resolution
Polarimetric Synthetic Aperture Radar (PolSAR) images due to the scarcity of
training data and the inference of speckle noises. The Gaofen contest has
provided open access of a high-quality PolSAR semantic segmentation dataset.
Taking this chance, we propose a Multi-path ResNet (MP-ResNet) architecture for
the semantic segmentation of high-resolution PolSAR images. Compared to
conventional U-shape encoder-decoder convolutional neural network (CNN)
architectures, the MP-ResNet learns semantic context with its parallel
multi-scale branches, which greatly enlarges its valid receptive fields and
improves the embedding of local discriminative features. In addition, MP-ResNet
adopts a multi-level feature fusion design in its decoder to make the best use
of the features learned from its different branches. Ablation studies show that
the MPResNet has significant advantages over its baseline method (FCN with
ResNet34). It also surpasses several classic state-of-the-art methods in terms
of overall accuracy (OA), mean F1 and fwIoU, whereas its computational costs
are not much increased. This CNN architecture can be used as a baseline method
for future studies on the semantic segmentation of PolSAR images. The code is
available at: https://github.com/ggsDing/SARSeg.
- Abstract（参考訳）: 高分解能ポラリメトリック合成開口レーダ(PolSAR)画像のセマンティックセグメンテーションについては,トレーニングデータの不足とスペックルノイズの推測による限定的な研究がある。
Gaofenコンテストは高品質な PolSAR セマンティックセグメンテーションデータセットのオープンアクセスを提供している。
この機会に,高解像度PolSAR画像のセマンティックセグメンテーションのためのマルチパスResNet(MP-ResNet)アーキテクチャを提案する。
従来のu字型エンコーダ・デコーダ畳み込みニューラルネットワーク(cnn)アーキテクチャと比較して、mp-resnetはその並列マルチスケールブランチで意味的文脈を学習し、有効な受容野を大きく拡大し、局所的な識別特徴の埋め込みを改善する。
さらに、MP-ResNetはデコーダにマルチレベル機能融合設計を採用し、異なるブランチから学んだ機能を最大限活用している。
アブレーション研究によると、MPResNetはベースライン法(FCN with ResNet34)に対して大きな利点がある。
また、全体的な精度(OA)、平均F1、fwIoUといった古典的な最先端の手法を超越しているが、計算コストはそれほど高くない。
このCNNアーキテクチャは,将来PolSAR画像のセマンティックセグメンテーション研究のベースラインとして利用することができる。
コードは、https://github.com/ggsDing/SARSeg.comで入手できる。
関連論文リスト
- DDU-Net: A Domain Decomposition-based CNN for High-Resolution Image Segmentation on Multiple GPUs [46.873264197900916]
ドメイン分解に基づくU-Netアーキテクチャを導入し、入力イメージを重複しないパッチに分割する。
空間コンテキストの理解を高めるために、パッチ間情報交換を容易にするための通信ネットワークが追加される。
その結果、この手法は、パッチ間通信のない同一ネットワークと比較して、IoU(Universal over Union)スコアよりも2～3,%高い交点を達成できることが判明した。
論文 参考訳（メタデータ） (2024-07-31T01:07:21Z) - Multi-Content Complementation Network for Salient Object Detection in
Optical Remote Sensing Images [108.79667788962425]
光リモートセンシング画像(RSI-SOD)における有能な物体検出は、いまだに課題である。
本稿では, RSI-SOD における複数コンテンツの相補性を検討するために, MCCNet (Multi-Content Complementation Network) を提案する。
MCCMでは、前景機能、エッジ機能、背景機能、グローバル画像レベル機能など、RSI-SODにとって重要な複数の機能について検討する。
論文 参考訳（メタデータ） (2021-12-02T04:46:40Z) - RSI-Net: Two-Stream Deep Neural Network Integrating GCN and Atrous CNN
for Semantic Segmentation of High-resolution Remote Sensing Images [3.468780866037609]
本稿では,リモートセンシング画像(RSI-Net)のセマンティックセグメンテーションのための2ストリームディープニューラルネットワークを提案する。
実験はVayhingen、Potsdam、Gaofen RSIデータセットで実施されている。
その結果,6つの最先端RSIセマンティックセグメンテーション法と比較して,総合的精度,F1スコア,カッパ係数において,RSI-Netの優れた性能を示した。
論文 参考訳（メタデータ） (2021-09-19T15:57:20Z) - A Holistically-Guided Decoder for Deep Representation Learning with
Applications to Semantic Segmentation and Object Detection [74.88284082187462]
一般的な戦略の1つは、バックボーンネットワークに拡張畳み込みを採用し、高解像度のフィーチャーマップを抽出することです。
本稿では,高分解能なセマンティクスリッチな特徴マップを得るために紹介される,新たなホリスティック誘導デコーダを提案する。
論文 参考訳（メタデータ） (2020-12-18T10:51:49Z) - KiU-Net: Overcomplete Convolutional Architectures for Biomedical Image
and Volumetric Segmentation [71.79090083883403]
トラディショナル・エンコーダ・デコーダに基づく手法は, より小さな構造を検出でき, 境界領域を正確に分割できない。
本稿では,(1)入力の細部と正確なエッジを捉えることを学ぶ完全畳み込みネットワークKite-Netと,(2)高レベルの特徴を学習するU-Netの2つの枝を持つKiU-Netを提案する。
提案手法は,より少ないパラメータとより高速な収束の利点により,最近のすべての手法と比較して性能が向上する。
論文 参考訳（メタデータ） (2020-10-04T19:23:33Z) - MACU-Net for Semantic Segmentation of Fine-Resolution Remotely Sensed
Images [11.047174552053626]
MACU-Netは、マルチスケールのスキップ接続と非対称畳み込みベースのU-Netで、微細解像度のリモートセンシング画像を提供する。
本設計では,(1)低レベル・高レベルの特徴写像に含まれる意味的特徴と,(2)非対称な畳み込みブロックは,標準畳み込み層の特徴表現と特徴抽出能力を強化する。
2つのリモートセンシングデータセットで行った実験では、提案したMACU-NetがU-Net、U-NetPPL、U-Net 3+、その他のベンチマークアプローチを超越していることが示されている。
論文 参考訳（メタデータ） (2020-07-26T08:56:47Z) - Medical Image Segmentation Using a U-Net type of Architecture [0.0]
我々は、U-Netのアーキテクチャとボトルネック層における教師付きトレーニング戦略を組み合わせることで、元のU-Netアーキテクチャと同等の結果が得られると論じる。
我々は,U-Netのエンコーダブランチのボトルネックに対して,完全に教師付きFC層に基づくピクセルワイズロスを導入する。
2層ベースのFCサブネットは、より多くのセマンティック情報を含むようにボトルネック表現をトレーニングし、デコーダ層が最終的なセグメンテーションマップを予測するために使用する。
論文 参考訳（メタデータ） (2020-05-11T16:10:18Z) - DRU-net: An Efficient Deep Convolutional Neural Network for Medical
Image Segmentation [2.3574651879602215]
残留ネットワーク(ResNet)と密結合ネットワーク(DenseNet)は、ディープ畳み込みニューラルネットワーク(DCNN)のトレーニング効率と性能を大幅に改善した。
両ネットワークの利点を考慮した効率的なネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-04-28T12:16:24Z) - Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。
ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。
提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文 参考訳（メタデータ） (2020-03-15T11:04:30Z) - Real-Time High-Performance Semantic Image Segmentation of Urban Street
Scenes [98.65457534223539]
都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。
提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
論文 参考訳（メタデータ） (2020-03-11T08:45:53Z)
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。