論文の概要: Feature Sharing Cooperative Network for Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2101.07905v1
- Date: Wed, 20 Jan 2021 00:22:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 01:26:26.638783
- Title: Feature Sharing Cooperative Network for Semantic Segmentation
- Title(参考訳): セマンティックセグメンテーションのための特徴共有協調ネットワーク
- Authors: Ryota Ikedo, Kazuhiro Hotta
- Abstract要約: 協調学習を用いた意味セグメンテーション手法を提案する。
特徴マップを共有することにより、2つのネットワークのうちの1つが1つのネットワークで取得できない情報を得ることができる。
提案手法は従来の単一ネットワークやネットワークアンサンブルよりも高いセグメンテーション精度を実現した。
- 参考スコア(独自算出の注目度): 10.305130700118399
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, deep neural networks have achieved high ac-curacy in the
field of image recognition. By inspired from human learning method, we propose
a semantic segmentation method using cooperative learning which shares the
information resembling a group learning. We use two same networks and paths for
sending feature maps between two networks. Two networks are trained
simultaneously. By sharing feature maps, one of two networks can obtain the
information that cannot be obtained by a single network. In addition, in order
to enhance the degree of cooperation, we propose two kinds of methods that
connect only the same layer and multiple layers. We evaluated our proposed idea
on two kinds of networks. One is Dual Attention Network (DANet) and the other
one is DeepLabv3+. The proposed method achieved better segmentation accuracy
than the conventional single network and ensemble of networks.
- Abstract(参考訳): 近年,深層ニューラルネットワークは画像認識の分野で高い精度を実現している。
人間の学習から着想を得て,グループ学習に類似した情報を共有する協調学習を用いた意味的セグメンテーション手法を提案する。
2つのネットワーク間でフィーチャーマップを送信するのに、2つの同じネットワークとパスを使用します。
2つのネットワークを同時に訓練する。
特徴マップを共有することにより、2つのネットワークのうちの1つが1つのネットワークで取得できない情報を得ることができる。
また,協調の度合いを高めるために,同一層と複数層のみを接続する2種類の手法を提案する。
提案するアイデアを2種類のネットワークで評価した。
1つはDANet(Dual Attention Network)、もう1つはDeepLabv3+である。
提案手法は,従来の単一ネットワークやネットワークのアンサンブルよりも高いセグメンテーション精度を実現する。
関連論文リスト
- Merging of neural networks [0.0]
2つのネットワークをトレーニングし、それらをマージすると、1つのネットワークを長時間トレーニングするよりもパフォーマンスが向上することを示す。
この手順は、不運な種を避けるために複数の開始種子を試した後の最終段階として用いられる可能性がある。
論文 参考訳(メタデータ) (2022-04-21T08:52:54Z) - Bandit Sampling for Multiplex Networks [8.771092194928674]
多数のレイヤを持つ多重ネットワーク上でのスケーラブルな学習アルゴリズムを提案する。
オンライン学習アルゴリズムは、トレーニング中に関連する情報を持つレイヤのみを集約するように、関連する隣のレイヤをサンプリングする方法を学ぶ。
合成シナリオと実世界のシナリオの両方に関する実験結果を示す。
論文 参考訳(メタデータ) (2022-02-08T03:26:34Z) - 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) - Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。
UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
論文 参考訳(メタデータ) (2021-08-20T12:09:38Z) - Knowledge Distillation By Sparse Representation Matching [107.87219371697063]
本稿では,一方の畳み込みネットワーク(cnn)から他方へ,スパース表現を用いて中間知識を伝達するスパース表現マッチング(srm)を提案する。
勾配降下を利用して効率的に最適化し、任意のCNNにプラグアンドプレイで統合できるニューラルプロセッシングブロックとして定式化します。
実験の結果,教師と生徒のネットワーク間のアーキテクチャの違いに頑健であり,複数のデータセットにまたがる他のkd技術よりも優れていた。
論文 参考訳(メタデータ) (2021-03-31T11:47:47Z) - Decoupled and Memory-Reinforced Networks: Towards Effective Feature
Learning for One-Step Person Search [65.51181219410763]
歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。
現在のワンステップアプローチには2つの大きな課題があります。
本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
論文 参考訳(メタデータ) (2021-02-22T06:19:45Z) - Learning Neural Network Subspaces [74.44457651546728]
近年の観測は,ニューラルネットワーク最適化の展望の理解を深めている。
1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。
1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。
論文 参考訳(メタデータ) (2021-02-20T23:26:58Z) - Learning low-rank latent mesoscale structures in networks [0.0]
ネットワークにおける低ランクメソスケール構造を記述するための新しいアプローチを提案する。
ネットワーク辞書学習(NDL)と呼ばれるアルゴリズムを使用して、特定のネットワークの潜在的なモチーフを学習します。
潜在モチーフの集合を用いてネットワークをエンコードする能力は、ネットワーク分析タスクに幅広い応用をもたらす。
論文 参考訳(メタデータ) (2021-02-13T18:54:49Z) - 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)
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。