論文の概要: Learning to Segment Human Body Parts with Synthetically Trained Deep Convolutional Networks

• arxiv url: http://arxiv.org/abs/2102.01460v1
• Date: Tue, 2 Feb 2021 12:26:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-03 16:43:40.348474
• Title: Learning to Segment Human Body Parts with Synthetically Trained Deep Convolutional Networks
• Title（参考訳）: 合成学習した深部畳み込みネットワークによる人体部品の分節学習
• Authors: Alessandro Saviolo, Matteo Bonotto, Daniele Evangelista, Marco Imperoli, Emanuele Menegatti and Alberto Pretto
• Abstract要約: 本稿では,合成データのみを用いて学習した深部畳み込みニューラルネットワークに基づく人体部分分割のための新しい枠組みを提案する。 提案手法は,人体部品の実際の注釈付きデータを用いてモデルを訓練することなく,最先端の結果が得られる。
• 参考スコア（独自算出の注目度）: 58.0240970093372
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a new framework for human body part segmentation based on Deep Convolutional Neural Networks trained using only synthetic data. The proposed approach achieves cutting-edge results without the need of training the models with real annotated data of human body parts. Our contributions include a data generation pipeline, that exploits a game engine for the creation of the synthetic data used for training the network, and a novel pre-processing module, that combines edge response map and adaptive histogram equalization to guide the network to learn the shape of the human body parts ensuring robustness to changes in the illumination conditions. For selecting the best candidate architecture, we performed exhaustive tests on manually-annotated images of real human body limbs. We further present an ablation study to validate our pre-processing module. The results show that our method outperforms several state-of-the-art semantic segmentation networks by a large margin. We release an implementation of the proposed approach along with the acquired datasets with this paper.
• Abstract（参考訳）: 本稿では,合成データのみを用いた深層畳み込みニューラルネットワークに基づく人体部分分割のための新しいフレームワークを提案する。 提案手法は,人体の実際のアノテートデータを用いたモデルの訓練を必要とせず,最先端の結果を得る。 私たちの貢献は、ネットワークを訓練するために使用される合成データを作成するためのゲームエンジンを利用するデータ生成パイプラインと、エッジレスポンスマップと適応ヒストグラムの等化を組み合わせた新しい前処理モジュールで、ネットワークをガイドして、照明条件の変化に対する堅牢性を保証する人体部品の形状を学びます。 最適な候補アーキテクチャを選択するために,実人手足の手動注釈画像の徹底的な検査を行った。 さらに、前処理モジュールを検証するためのアブレーション研究について述べる。 その結果,本手法は,最先端のセマンティクスセグメンテーションネットワークを大きなマージンで上回っていることがわかった。 本論文では,得られたデータセットと合わせて,提案手法の実装をリリースする。

関連論文リスト

• Ensembling convolutional neural networks for human skin segmentation [2.8391355909797644]
  本稿では、異なる特徴に着目したデータセットを用いて畳み込みネットワークを訓練し、個々の結果を効果的に組み合わせたアンサンブルを作成することを提案する。 本研究は,セマンティックセグメンテーションシステムの性能を向上する,アンサンブルに基づく新しい手法の開発に役立てることを期待している。
  論文  参考訳（メタデータ） (2024-07-27T17:55:28Z)
• Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
  核セグメンテーションのための拡散法を初めて導入する。 このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。 実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T06:16:16Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• End-to-end Neuron Instance Segmentation based on Weakly Supervised Efficient UNet and Morphological Post-processing [0.0]
  組織像からNeuN染色神経細胞を自動的に検出し,分画するエンド・ツー・エンド・エンド・エンド型のフレームワークを提案する。 私たちは最先端のネットワークであるEfficientNetをU-Netのようなアーキテクチャに統合します。
  論文  参考訳（メタデータ） (2022-02-17T14:35:45Z)
• Self-supervised Audiovisual Representation Learning for Remote Sensing Data [96.23611272637943]
  遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。 ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。 提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-02T07:50:50Z)
• Denoise and Contrast for Category Agnostic Shape Completion [48.66519783934386]
  本稿では,自己スーパービジョンのパワーを利用して3dポイントのクラウド補完を行うディープラーニングモデルを提案する。 Denoising Pretextタスクは、高レベルのセマンティクスから切り離された、必要なローカルキューをネットワークに提供する。 コントラスト学習は、異なる欠落部分を持つ同じ形状の変種間の一致を最大化する。
  論文  参考訳（メタデータ） (2021-03-30T20:33:24Z)
• Vision-Based Layout Detection from Scientific Literature using Recurrent Convolutional Neural Networks [12.221478896815292]
  本稿では,オブジェクト認識と分類のための畳み込みニューラルネットワークを科学的文献レイアウト検出(SLLD)に適用するためのアプローチを提案する。 SLLDは、いくつかの情報抽出問題の共有サブタスクである。 その結果,事前学習ベースネットワークの微調整による改善が得られた。
  論文  参考訳（メタデータ） (2020-10-18T23:50:28Z)
• Semantic Segmentation With Multi Scale Spatial Attention For Self Driving Cars [2.7317088388886384]
  本稿では,様々なスケールのマルチスケール特徴融合を用いた新しいニューラルネットワークを提案し,その精度と効率的なセマンティックイメージセグメンテーションを提案する。 我々は、ResNetベースの特徴抽出器、ダウンサンプリング部における拡張畳み込み層、アップサンプリング部におけるアトラス畳み込み層を使用し、コンキャット操作を用いてそれらをマージした。 より文脈的な情報をエンコードし、ネットワークの受容領域を強化するため、新しいアテンションモジュールが提案されている。
  論文  参考訳（メタデータ） (2020-06-30T20:19:09Z)
• Dataset Condensation with Gradient Matching [36.14340188365505]
  本研究では,大規模なデータセットを,深層ニューラルネットワークをスクラッチからトレーニングするための情報的合成サンプルの小さなセットに凝縮させることを学習する,データセット凝縮という,データ効率のよい学習のためのトレーニングセット合成手法を提案する。 いくつかのコンピュータビジョンベンチマークでその性能を厳格に評価し、最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-10T16:30:52Z)
• Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
  近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。 本稿では,ボディセグメンテーションを重要な監視対象として紹介する。 部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
  論文  参考訳（メタデータ） (2020-03-24T14:25:46Z)

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。