論文の概要: Foreground-Aware Relation Network for Geospatial Object Segmentation in
High Spatial Resolution Remote Sensing Imagery
- arxiv url: http://arxiv.org/abs/2011.09766v1
- Date: Thu, 19 Nov 2020 10:57:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 20:51:03.805640
- Title: Foreground-Aware Relation Network for Geospatial Object Segmentation in
High Spatial Resolution Remote Sensing Imagery
- Title（参考訳）: 高分解能リモートセンシング画像における地空間オブジェクトセグメンテーションのためのフォアグラウンド対応関係ネットワーク
- Authors: Zhuo Zheng, Yanfei Zhong, Junjue Wang, Ailong Ma
- Abstract要約: 地空間オブジェクトセグメンテーションは、常に大きなスケールの変動、背景のクラス内ばらつき、前景と背景の不均衡に直面している。
本稿では,フォアグラウンド・アウェア・リレーション・ネットワーク(FarSeg)を提案する。
実験により、FarSegは最先端の汎用セマンティックセグメンテーション法よりも優れており、速度と精度のトレードオフがより良好であることが示された。
- 参考スコア（独自算出の注目度）: 6.4901484665257545
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Geospatial object segmentation, as a particular semantic segmentation task,
always faces with larger-scale variation, larger intra-class variance of
background, and foreground-background imbalance in the high spatial resolution
(HSR) remote sensing imagery. However, general semantic segmentation methods
mainly focus on scale variation in the natural scene, with inadequate
consideration of the other two problems that usually happen in the large area
earth observation scene. In this paper, we argue that the problems lie on the
lack of foreground modeling and propose a foreground-aware relation network
(FarSeg) from the perspectives of relation-based and optimization-based
foreground modeling, to alleviate the above two problems. From perspective of
relation, FarSeg enhances the discrimination of foreground features via
foreground-correlated contexts associated by learning foreground-scene
relation. Meanwhile, from perspective of optimization, a foreground-aware
optimization is proposed to focus on foreground examples and hard examples of
background during training for a balanced optimization. The experimental
results obtained using a large scale dataset suggest that the proposed method
is superior to the state-of-the-art general semantic segmentation methods and
achieves a better trade-off between speed and accuracy. Code has been made
available at: \url{https://github.com/Z-Zheng/FarSeg}.
- Abstract（参考訳）: 地理空間オブジェクトのセグメンテーションは、特定の意味的セグメンテーションタスクとして、常に大きなスケールの変動、背景のクラス内ばらつき、高空間分解能(HSR)リモートセンシング画像における前景背景の不均衡に直面している。
しかし, 一般意味セグメンテーション手法では, 大地観測場面で発生する他の2つの問題を十分に考慮せず, 自然場面のスケール変動に着目している。
本稿では,フォアグラウンドモデリングの欠如に問題があり,この2つの問題を緩和するために,関係ベースおよび最適化ベースフォアグラウンドモデリングの観点からフォアグラウンド対応ネットワーク(FarSeg)を提案する。
関係の観点から、farsegは前景関係の学習に伴う前景関連コンテキストを通じて前景特徴の識別を強化する。
一方、最適化の観点からは、バランスの取れた最適化のためのトレーニング中の前景の例と背景の硬い例に焦点を合わせるために、前景の最適化を提案する。
大規模データセットを用いて得られた実験結果から,提案手法は最先端の汎用セマンティックセグメンテーション法よりも優れ,速度と精度のトレードオフが良好であることが示唆された。
コードは \url{https://github.com/z-zheng/farseg} で利用可能である。
関連論文リスト
- Relative Distance Guided Dynamic Partition Learning for Scale-Invariant UAV-View Geo-Localization [37.30243235827088]
UAV-view Geo-Localization (UVGL) は、特にドローンが捉えた画像と衛星視界との視界の相違により、大きな課題を生んでいる。
相対的距離に基づく分割学習フレームワークを提案し,粒度の細かい特徴をマイニングしながらスケールの一貫性への依存を軽減する。
提案手法は, 様々なスケール不整合シナリオにおいて, 高精度な局所化精度を実現し, スケール変動に対する顕著なロバスト性を示す。
論文 参考訳（メタデータ） (2024-12-16T08:13:05Z) - On the Effect of Image Resolution on Semantic Segmentation [27.115235051091663]
本研究では,高分解能セグメンテーションを直接生成できるモデルが,より複雑なシステムの性能と一致することを示す。
提案手法は,ボトムアップ情報伝搬手法を様々なスケールで活用する。
先進的なセマンティックセグメンテーションデータセットを用いて,本手法を厳格に検証した。
論文 参考訳（メタデータ） (2024-02-08T04:21:30Z) - Hierarchical Similarity Learning for Aliasing Suppression Image
Super-Resolution [64.15915577164894]
エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。
HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
論文 参考訳（メタデータ） (2022-06-07T14:55:32Z) - AF$_2$: Adaptive Focus Framework for Aerial Imagery Segmentation [86.44683367028914]
航空画像のセグメンテーションにはいくつかの独特な課題があり、中でも最も重要なものは前景と背景のアンバランスにある。
本稿では,階層的なセグメンテーション手法を採用し,マルチスケール表現を適応的に活用するAdaptive Focus Framework (AF$)を提案する。
AF$は、広く使われている3つの航空ベンチマークの精度を大幅に改善した。
論文 参考訳（メタデータ） (2022-02-18T10:14:45Z) - Learning to Aggregate Multi-Scale Context for Instance Segmentation in
Remote Sensing Images [28.560068780733342]
特徴抽出のプロセスを改善するために,新しいコンテキスト集約ネットワーク(CATNet)を提案する。
提案モデルは,高密度特徴ピラミッドネットワーク(DenseFPN),空間コンテキストピラミッド(SCP),階層的関心抽出器(HRoIE)の3つの軽量プラグアンドプレイモジュールを利用する。
論文 参考訳（メタデータ） (2021-11-22T08:55:25Z) - SOSD-Net: Joint Semantic Object Segmentation and Depth Estimation from
Monocular images [94.36401543589523]
これら2つのタスクの幾何学的関係を利用するための意味的対象性の概念を紹介します。
次に, 対象性仮定に基づくセマンティックオブジェクト・深さ推定ネットワーク(SOSD-Net)を提案する。
私たちの知識を最大限に活用するために、SOSD-Netは同時単眼深度推定とセマンティックセグメンテーションのためのジオメトリ制約を利用する最初のネットワークです。
論文 参考訳（メタデータ） (2021-01-19T02:41:03Z) - 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) - Affinity Space Adaptation for Semantic Segmentation Across Domains [57.31113934195595]
本稿では,意味的セグメンテーションにおける教師なしドメイン適応(UDA)の問題に対処する。
ソースドメインとターゲットドメインが不変なセマンティック構造を持つという事実に触発され、ドメイン間におけるそのような不変性を活用することを提案する。
親和性空間適応戦略として,親和性空間の洗浄と親和性空間アライメントという2つの方法を開発した。
論文 参考訳（メタデータ） (2020-09-26T10:28:11Z) - Deep Semantic Matching with Foreground Detection and Cycle-Consistency [103.22976097225457]
深層ネットワークに基づく弱い教師付きセマンティックマッチングに対処する。
本研究では,背景乱れの影響を抑えるために,前景領域を明示的に推定する。
複数の画像にまたがって予測変換を強制し、幾何的に可視かつ一貫したサイクル一貫性の損失を発生させる。
論文 参考訳（メタデータ） (2020-03-31T22:38:09Z)
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。