論文の概要: Learning Crisp Boundaries Using Deep Refinement Network and Adaptive Weighting Loss

• arxiv url: http://arxiv.org/abs/2102.01301v1
• Date: Tue, 2 Feb 2021 04:22:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-03 16:46:57.493494
• Title: Learning Crisp Boundaries Using Deep Refinement Network and Adaptive Weighting Loss
• Title（参考訳）: Deep Refinement NetworkとAdaptive Weighting Lossを用いたCrisp Boundariesの学習
• Authors: Yi-Jun Cao, Chuan Lin, and Yong-Jie Li
• Abstract要約: 最近の境界検出モデルは、(物体の輪郭に沿って正確に位置付けられた)「クリップ」境界に焦点を当てている 本稿では,よりリッチな特徴表現と新たな損失関数を実現するために,複数の改良モジュールを積み重ねたDep refinement Network(DRNet)を提案する。 実験の結果,いくつかの利用可能なデータセットの最先端性能が得られた。
• 参考スコア（独自算出の注目度）: 15.867750740607864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Significant progress has been made in boundary detection with the help of convolutional neural networks. Recent boundary detection models not only focus on real object boundary detection but also "crisp" boundaries (precisely localized along the object's contour). There are two methods to evaluate crisp boundary performance. One uses more strict tolerance to measure the distance between the ground truth and the detected contour. The other focuses on evaluating the contour map without any postprocessing. In this study, we analyze both methods and conclude that both methods are two aspects of crisp contour evaluation. Accordingly, we propose a novel network named deep refinement network (DRNet) that stacks multiple refinement modules to achieve richer feature representation and a novel loss function, which combines cross-entropy and dice loss through effective adaptive fusion. Experimental results demonstrated that we achieve state-of-the-art performance for several available datasets.
• Abstract（参考訳）: 畳み込みニューラルネットワークを用いて境界検出において著しい進歩を遂げている。 最近の境界検出モデルは、実際のオブジェクトの境界検出だけでなく、境界(オブジェクトの輪郭に沿って正確にローカライズ)にも焦点を合わせています。 crisp境界性能を評価する方法は2つある。 基底真理と検出された輪郭の間の距離を測定するために、より厳密な耐性を用いる。 もう1つは、後処理なしで輪郭マップを評価することに焦点を当てている。 本研究では,両手法を解析し,両手法が輪郭評価の2つの側面であることを示す。 そこで本研究では,複数の精錬モジュールを積み重ねた深層精錬ネットワーク(DRNet)と,効果的な適応融合によるクロスエントロピーとダイス損失を組み合わせた新たな損失関数を提案する。 実験の結果,いくつかの利用可能なデータセットの最先端性能が得られた。

関連論文リスト

• Learning to utilize image second-order derivative information for crisp edge detection [13.848361661516595]
  エッジ検出はコンピュータビジョンの基本課題である。 最近のトップパフォーマンスエッジ検出手法は、厚くノイズの多いエッジラインを生成する傾向にある。 本稿では,モデルが真のエッジピクセルを正確に検出するのに役立つ2階微分型マルチスケールコンテキスト拡張モジュール(SDMCM)を提案する。 また、不均衡分布問題を軽減するために、ハイブリッド焦点損失関数(HFL)を構築した。 最後に、エッジ検出のためのSDMCMとBRMに基づくLUS-NetというU字型ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-06-09T13:25:02Z)
• X-PDNet: Accurate Joint Plane Instance Segmentation and Monocular Depth Estimation with Cross-Task Distillation and Boundary Correction [9.215384107659665]
  X-PDNetは平面インスタンス分割と深さ推定のマルチタスク学習のためのフレームワークである。 我々は、境界回帰損失を増大させるために、基底真理境界を用いることの現在の限界を強調した。 境界領域分割を支援するために深度情報を利用する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-09-15T14:27:54Z)
• Push-the-Boundary: Boundary-aware Feature Propagation for Semantic Segmentation of 3D Point Clouds [0.5249805590164901]
  本研究では,オブジェクト境界近傍のセマンティックセグメンテーションを改善するための境界対応特徴伝搬機構を提案する。 1つの共有エンコーダで、ネットワークは、(i)境界ローカライゼーション、(ii)オブジェクトの内部を指す方向の予測、(iii)セマンティックセグメンテーションを3つの並列ストリームで出力する。 提案手法は境界誤差を低減することによって一貫した改善をもたらす。
  論文  参考訳（メタデータ） (2022-12-23T15:42:01Z)
• High-resolution Iterative Feedback Network for Camouflaged Object Detection [128.893782016078]
  カモフラージュされたオブジェクトを背景に視覚的に同化させることは、オブジェクト検出アルゴリズムにとって難しい。 エッジやバウンダリのぼやけた視界を生じさせる細部劣化を避けるために,高分解能テクスチャの詳細を抽出することを目的としている。 我々は,高解像度特徴量による低解像度表現を反復的フィードバック方式で洗練する新しいHitNetを提案する。
  論文  参考訳（メタデータ） (2022-03-22T11:20:21Z)
• Active Boundary Loss for Semantic Segmentation [58.72057610093194]
  本稿では,セマンティックセグメンテーションのための新しいアクティブ境界損失を提案する。 エンド・ツー・エンドのトレーニングにおいて、予測境界とグランド・トゥルース・バウンダリのアライメントを徐々に促進することができる。 実験結果から, アクティブ境界損失によるトレーニングは, 境界Fスコアと平均インターセクションオーバ・ユニオンを効果的に改善できることが示された。
  論文  参考訳（メタデータ） (2021-02-04T15:47:54Z)
• Contrastive Rendering for Ultrasound Image Segmentation [59.23915581079123]
  米国の画像にシャープな境界がないことは、セグメンテーションに固有の課題である。 我々は,US画像における境界推定を改善するための,新しい,効果的なフレームワークを提案する。 提案手法は最先端の手法より優れており,臨床応用の可能性も高い。
  論文  参考訳（メタデータ） (2020-10-10T07:14:03Z)
• Binary Neural Networks: A Survey [126.67799882857656]
  バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。 バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。 本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
  論文  参考訳（メタデータ） (2020-03-31T16:47:20Z)
• DeepStrip: High Resolution Boundary Refinement [60.00241966809684]
  関心領域をストリップ画像に変換し、ストリップ領域の境界予測を計算することを提案する。 対象境界を検出するために,2つの予測層を持つフレームワークを提案する。 我々は、誤報を減らすために、整合性とC0連続性正規化をネットワークに強制する。
  論文  参考訳（メタデータ） (2020-03-25T22:44:48Z)
• Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
  本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。 これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。 SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
  論文  参考訳（メタデータ） (2020-02-11T14:04:56Z)

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。