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
- Cooperative Learning for Cost-Adaptive Inference [3.301728339780329]
提案されたフレームワークは、特定のアーキテクチャに縛られないが、既存のモデル/アーキテクチャを組み込むことができる。
モデルのサイズが多様である間、フルネットワークに匹敵する精度を提供する。
論文 参考訳（メタデータ） (2023-12-13T21:42:27Z) - Connections between Operator-splitting Methods and Deep Neural Networks
with Applications in Image Segmentation [7.668812831777923]
ディープニューラルネットワークと数学的アルゴリズムの接続方法はまだ開発中だ。
ディープニューラルネットワークについて,特に演算子分割との接続において,アルゴリズムによる説明を行う。
Pottsモデルを解く演算子分割法に着想を得た2つのネットワークを提案する。
論文 参考訳（メタデータ） (2023-07-18T08:06:14Z) - Provable Guarantees for Nonlinear Feature Learning in Three-Layer Neural
Networks [49.808194368781095]
3層ニューラルネットワークは,2層ネットワークよりも特徴学習能力が豊富であることを示す。
この研究は、特徴学習体制における2層ネットワーク上の3層ニューラルネットワークの証明可能なメリットを理解するための前進である。
論文 参考訳（メタデータ） (2023-05-11T17:19:30Z) - 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) - 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) - 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) - 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) - Data-Free Knowledge Amalgamation via Group-Stack Dual-GAN [80.17705319689139]
複数のシングルタスク/マルチタスクの教師から,多タスクの学生ネットワークを構築するために,データフリーな知識アマルガメート戦略を提案する。
トレーニングデータを持たない提案手法は, フル教師付き手法と比較して, 驚くほど競争力のある結果が得られる。
論文 参考訳（メタデータ） (2020-03-20T03:20:52Z) - 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) - Feature-map-level Online Adversarial Knowledge Distillation [36.42703358752526]
本稿では,クラス確率の知識だけでなく,特徴マップの知識を伝達するオンライン知識蒸留法を提案する。
異なるネットワークの特徴マップ分布を識別するために,識別器を用いて複数のネットワークを同時に訓練する。
本手法は,L1などの従来の直接アライメント法よりも優れた性能を示し,オンライン蒸留に適していることを示す。
論文 参考訳（メタデータ） (2020-02-05T13:16:37Z) - Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
本稿では,不対向画像分割のための新しい学習手法を提案する。
提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。
我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
論文 参考訳（メタデータ） (2020-01-06T20:03:17Z)
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。