論文の概要: PaddleSeg: A High-Efficient Development Toolkit for Image Segmentation

• arxiv url: http://arxiv.org/abs/2101.06175v1
• Date: Fri, 15 Jan 2021 15:36:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-28 11:19:25.511989
• Title: PaddleSeg: A High-Efficient Development Toolkit for Image Segmentation
• Title（参考訳）: PaddleSeg:画像セグメンテーションのための高効率開発ツールキット
• Authors: Yi Liu, Lutao Chu, Guowei Chen, Zewu Wu, Zeyu Chen, Baohua Lai, Yuying Hao
• Abstract要約: 画像セグメンテーションのための高効率開発ツールキットPaddleSegを紹介する。 PaddleSegは、約20の人気のセグメンテーションモデルと、50以上のトレーニング済みモデルのリアルタイムおよび高精度レベルをサポートする。 当社のツールキットでトレーニングされたセグメンテーションアルゴリズムがより競争力のある精度を持つことを示すために,包括的なベンチマークと評価を提供する。
• 参考スコア（独自算出の注目度）: 3.587778373545689
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image Segmentation plays an essential role in computer vision and image processing with various applications from medical diagnosis to autonomous car driving. A lot of segmentation algorithms have been proposed for addressing specific problems. In recent years, the success of deep learning techniques has tremendously influenced a wide range of computer vision areas, and the modern approaches of image segmentation based on deep learning are becoming prevalent. In this article, we introduce a high-efficient development toolkit for image segmentation, named PaddleSeg. The toolkit aims to help both developers and researchers in the whole process of designing segmentation models, training models, optimizing performance and inference speed, and deploying models. Currently, PaddleSeg supports around 20 popular segmentation models and more than 50 pre-trained models from real-time and high-accuracy levels. With modular components and backbone networks, users can easily build over one hundred models for different requirements. Furthermore, we provide comprehensive benchmarks and evaluations to show that these segmentation algorithms trained on our toolkit have more competitive accuracy. Also, we provide various real industrial applications and practical cases based on PaddleSeg. All codes and examples of PaddleSeg are available at https://github.com/PaddlePaddle/PaddleSeg.
• Abstract（参考訳）: 画像分割は、医療診断から自動運転車の運転まで様々な応用を含むコンピュータビジョンと画像処理において重要な役割を果たす。 特定の問題に対処するための多くのセグメンテーションアルゴリズムが提案されている。 近年,ディープラーニング技術の成功は幅広いコンピュータビジョン領域に大きな影響を与え,ディープラーニングに基づく画像分割の現代的アプローチが普及しつつある。 本稿では,画像セグメンテーションのための高効率開発ツールキットPaddleSegを紹介する。 このツールキットは、セグメンテーションモデルを設計し、モデルをトレーニングし、パフォーマンスと推論速度を最適化し、モデルをデプロイするプロセス全体の開発者と研究者を支援することを目的としている。 現在paddlesegは、約20の人気のあるセグメンテーションモデルと50以上の事前訓練済みモデルをサポートしている。 モジュラーコンポーネントとバックボーンネットワークにより、ユーザーは異なる要求に対して100以上のモデルを簡単に構築できる。 さらに,これらのセグメンテーションアルゴリズムがより競争力のある精度を持つことを示すために,包括的なベンチマークと評価を提供する。 また,PaddleSegをベースとした各種産業応用や実践事例も提供する。 PaddleSegのコードと例はhttps://github.com/PaddlePaddle/PaddleSegで公開されている。

関連論文リスト

• OMG-Seg: Is One Model Good Enough For All Segmentation? [83.17068644513144]
  OMG-Segは、タスク固有のクエリと出力を持つトランスフォーマーベースのエンコーダデコーダアーキテクチャである。 OMG-Segは10以上の異なるセグメンテーションタスクをサポートできるが、計算とパラメータのオーバーヘッドを大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2024-01-18T18:59:34Z)
• Using DUCK-Net for Polyp Image Segmentation [0.0]
  DUCK-Netは、少量の医療画像から効果的に学習し、一般化し、正確なセグメンテーションタスクを実行することができる。 大腸内視鏡画像におけるポリープセグメンテーションに特有な機能を示す。
  論文  参考訳（メタデータ） (2023-11-03T20:58:44Z)
• Deep Learning-based Bio-Medical Image Segmentation using UNet Architecture and Transfer Learning [0.0]
  我々は,UNetアーキテクチャをスクラッチから実装し,バイオメディカル画像データセットの性能を評価する。 変換学習モデルは、スクラッチから実装されたUNetモデルよりも、画像セグメンテーションにおいて優れた性能を有することを示す。
  論文  参考訳（メタデータ） (2023-05-24T07:45:54Z)
• EISeg: An Efficient Interactive Segmentation Tool based on PaddlePaddle [7.588694189597639]
  EISegは,画像分割アノテーションの効率を大幅に改善できるインタラクティブSEGmentationアノテーションツールである。 また、リモートセンシング、医用イメージング、産業品質検査、人間のセグメンテーション、ビデオセグメンテーションのための時間認識モデルなど、さまざまなドメイン固有モデルを提供する。
  論文  参考訳（メタデータ） (2022-10-17T07:12:13Z)
• Half-Real Half-Fake Distillation for Class-Incremental Semantic Segmentation [84.1985497426083]
  畳み込みニューラルネットワークは漸進的な学習に不適である。 新しいクラスは利用できるが、初期トレーニングデータは保持されない。 訓練されたセグメンテーションネットワークを「反転」して、ランダムノイズから始まる入力画像の合成を試みる。
  論文  参考訳（メタデータ） (2021-04-02T03:47:16Z)
• Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
  この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。 画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。 特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
  論文  参考訳（メタデータ） (2020-12-09T12:40:13Z)
• CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
  少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。 相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。 PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2020-03-24T04:55:43Z)
• Learning Fast and Robust Target Models for Video Object Segmentation [83.3382606349118]
  ビデオオブジェクトセグメンテーション(VOS)は、ターゲットオブジェクトを定義する初期マスクがテスト時にのみ与えられるため、非常に難しい問題である。 それまでのほとんどの場合、第1フレーム上のファイン・チューン・セグメンテーション・ネットワークにアプローチし、非現実的なフレームレートとオーバーフィッティングのリスクをもたらす。 本稿では,2つのネットワークコンポーネントからなる新しいVOSアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-27T21:58:06Z)
• Image Segmentation Using Deep Learning: A Survey [58.37211170954998]
  イメージセグメンテーションは、画像処理とコンピュータビジョンにおいて重要なトピックである。 深層学習モデルを用いた画像セグメンテーション手法の開発を目的とした研究が,これまでに数多く行われている。
  論文  参考訳（メタデータ） (2020-01-15T21:37:47Z)
• Evolution of Image Segmentation using Deep Convolutional Neural Network: A Survey [0.0]
  我々はCNNに基づくセマンティックとインスタンスセグメンテーションの両方の進化を垣間見る。 我々は、最先端のパン光学セグメンテーションモデルを垣間見せた。
  論文  参考訳（メタデータ） (2020-01-13T06:07:27Z)

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。