論文の概要: HED-UNet: Combined Segmentation and Edge Detection for Monitoring the Antarctic Coastline

• arxiv url: http://arxiv.org/abs/2103.01849v1
• Date: Tue, 2 Mar 2021 16:35:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-03 16:01:57.121393
• Title: HED-UNet: Combined Segmentation and Edge Detection for Monitoring the Antarctic Coastline
• Title（参考訳）: HED-UNet:南極海岸線監視のためのセグメンテーションとエッジ検出の組み合わせ
• Authors: Konrad Heidler, Lichao Mou, Celia Baumhoer, Andreas Dietz, Xiao Xiang Zhu
• Abstract要約: 深層学習モデルにおける海岸線検出のための2つのアプローチを結合する新しいモデルを考案した。 複数の解像度でサイド予測を深く監視し、トレーニングを効率化します。 このアプローチの実装はurlhttps://github.com/kr/HED-UNetで公開されている。
• 参考スコア（独自算出の注目度）: 14.235722825330493
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based coastline detection algorithms have begun to outshine traditional statistical methods in recent years. However, they are usually trained only as single-purpose models to either segment land and water or delineate the coastline. In contrast to this, a human annotator will usually keep a mental map of both segmentation and delineation when performing manual coastline detection. To take into account this task duality, we therefore devise a new model to unite these two approaches in a deep learning model. By taking inspiration from the main building blocks of a semantic segmentation framework (UNet) and an edge detection framework (HED), both tasks are combined in a natural way. Training is made efficient by employing deep supervision on side predictions at multiple resolutions. Finally, a hierarchical attention mechanism is introduced to adaptively merge these multiscale predictions into the final model output. The advantages of this approach over other traditional and deep learning-based methods for coastline detection are demonstrated on a dataset of Sentinel-1 imagery covering parts of the Antarctic coast, where coastline detection is notoriously difficult. An implementation of our method is available at \url{https://github.com/khdlr/HED-UNet}.
• Abstract（参考訳）: 近年, 深層学習に基づく海岸線検出アルゴリズムが, 従来の統計手法を上回り始めている。 しかし、それらは通常、陸地と水を分断するか、海岸線を分断する単一目的のモデルとしてのみ訓練される。 これとは対照的に、人間のアノテーションーは通常、手動海岸線検出を行う際に、セグメンテーションとデラインの両方のメンタルマップを保持します。 このタスクの双対性を考慮するため、我々はこれらの2つのアプローチを深層学習モデルで統一する新しいモデルを考え出した。 セマンティックセグメンテーションフレームワーク(UNet)とエッジ検出フレームワーク(HED)の主なビルディングブロックからインスピレーションを得て、どちらのタスクも自然な方法で結合される。 複数の解像度でサイド予測を深く監視し、トレーニングを効率化します。 最後に、これらの多スケール予測を最終モデル出力に適応的にマージする階層的注意機構を導入する。 このアプローチの利点は、海岸線検出が難しい南極海岸の一部をカバーするセンチネル-1画像のデータセットで、他の伝統的および深層学習に基づく海岸線検出方法よりも優れている。 このメソッドの実装は \url{https://github.com/khdlr/HED-UNet} で入手できる。

関連論文リスト

• A Deep Active Contour Model for Delineating Glacier Calving Fronts [17.061463565692456]
  近年の研究では、エッジ検出とセグメンテーションを組み合わせることで、前部検出器の加工精度が向上することが示されている。 中間段階として高密度な予測を組み込まない明示的輪郭検出モデルを提案する。 提案手法はCOBRA(Charting Outlines by Recurrent Adaptation')と呼ばれ、特徴抽出のための畳み込みニューラルネットワーク(CNN)と、デラインのためのアクティブな輪郭モデルを組み合わせたものである。
  論文  参考訳（メタデータ） (2023-07-07T08:45:46Z)
• How To Not Train Your Dragon: Training-free Embodied Object Goal Navigation with Semantic Frontiers [94.46825166907831]
  Embodied AIにおけるオブジェクトゴールナビゲーション問題に対処するためのトレーニング不要のソリューションを提案する。 本手法は,古典的な視覚的同時ローカライゼーションとマッピング(V-SLAM)フレームワークに基づく,構造化されたシーン表現を構築する。 本手法は,言語先行情報とシーン統計に基づいてシーングラフのセマンティクスを伝搬し,幾何学的フロンティアに意味知識を導入する。
  論文  参考訳（メタデータ） (2023-05-26T13:38:33Z)
• SemHint-MD: Learning from Noisy Semantic Labels for Self-Supervised Monocular Depth Estimation [19.229255297016635]
  自己教師付き深度推定は、光度損失の勾配-局所性の問題により、局所的に最小限に抑えられる。 セマンティックセグメンテーションを活用して、ネットワークを局所的な最小限から切り離すための奥行きを高めるためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-31T17:20:27Z)
• ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
  本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。 中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。 直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
  論文  参考訳（メタデータ） (2022-12-12T13:10:19Z)
• Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
  本稿では,3次元形状対応のための教師なし学習手法を提案する。 提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-28T22:24:07Z)
• Cascade Network for Self-Supervised Monocular Depth Estimation [0.07161783472741746]
  本稿では,カスケードネットワークに基づく自己教師型学習手法を提案する。 従来の自己監督手法と比較して精度と信頼性が向上した。 我々は、ターゲットシーンを異なる視線距離の部分に分割し、より深い地図を生成するために個別に訓練するカスケードニューラルネットワークを示す。
  論文  参考訳（メタデータ） (2020-09-14T06:50:05Z)
• Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
  本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。 本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-07-10T15:41:29Z)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)
• Seismic horizon detection with neural networks [62.997667081978825]
  本稿では,複数の実地震立方体上での地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。 本研究の主な貢献は,複数実地震立方体における地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。
  論文  参考訳（メタデータ） (2020-01-10T11:30:50Z)

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。