論文の概要: Deep Superpixel Cut for Unsupervised Image Segmentation

• arxiv url: http://arxiv.org/abs/2103.06031v1
• Date: Wed, 10 Mar 2021 13:07:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-12 13:03:11.118309
• Title: Deep Superpixel Cut for Unsupervised Image Segmentation
• Title（参考訳）: 教師なし画像分割のためのディープスーパーピクセルカット
• Authors: Qinghong Lin, Weichan Zhong, Jianglin Lu
• Abstract要約: 本稿では,下記の2段階を含む画像分割の教師なし手法を提案する。 まず,スーパーピクセルワイドオートエンコーダ(SuperAE)を用いて,スムーズな画像の埋め込みと再構成を学習し,そのスムーズな画像を渡してスーパーピクセルを生成する。 次に,超画素間の深い類似度を測定し,ソフトパーティショニング問題として画像分割を定式化する,deep superpixel cut(dsc)と呼ばれる新しいクラスタリングアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.9281671380673306
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image segmentation, one of the most critical vision tasks, has been studied for many years. Most of the early algorithms are unsupervised methods, which use hand-crafted features to divide the image into many regions. Recently, owing to the great success of deep learning technology, CNNs based methods show superior performance in image segmentation. However, these methods rely on a large number of human annotations, which are expensive to collect. In this paper, we propose a deep unsupervised method for image segmentation, which contains the following two stages. First, a Superpixelwise Autoencoder (SuperAE) is designed to learn the deep embedding and reconstruct a smoothed image, then the smoothed image is passed to generate superpixels. Second, we present a novel clustering algorithm called Deep Superpixel Cut (DSC), which measures the deep similarity between superpixels and formulates image segmentation as a soft partitioning problem. Via backpropagation, DSC adaptively partitions the superpixels into perceptual regions. Experimental results on the BSDS500 dataset demonstrate the effectiveness of the proposed method.
• Abstract（参考訳）: 最も重要な視覚課題の一つである画像分割は長年にわたって研究されてきた。 初期のアルゴリズムのほとんどは教師なしの手法であり、手作りの機能を使って画像を多くの領域に分割する。 近年,ディープラーニング技術の成功により,画像セグメンテーションにおいてCNNベースの手法が優れた性能を示した。 しかし、これらの手法は多くの人間のアノテーションに依存しており、収集にはコストがかかる。 本論文では,以下の2つの段階を含む,画像分割の詳細な非監視手法を提案する。 まず,スーパーピクセルワイドオートエンコーダ(SuperAE)を用いて,スムーズな画像の埋め込みと再構成を学習し,そのスムーズな画像を渡してスーパーピクセルを生成する。 次に,超画素間の深い類似度を測定し,ソフトパーティショニング問題として画像分割を定式化する,deep superpixel cut(dsc)と呼ばれる新しいクラスタリングアルゴリズムを提案する。 バックプロパゲーションにより、DSCはスーパーピクセルを知覚領域に適応的に分割する。 BSDS500データセットの実験結果から,提案手法の有効性が示された。

関連論文リスト

• SaccadeDet: A Novel Dual-Stage Architecture for Rapid and Accurate Detection in Gigapixel Images [50.742420049839474]
  SaccadeDetは、人間の目の動きにインスパイアされた、ギガピクセルレベルの物体検出のための革新的なアーキテクチャである。 PANDAデータセットを用いて評価した本手法は,最先端手法の8倍の高速化を実現する。 また、全スライドイメージングへの応用を通じて、ギガピクセルレベルの病理解析に有意な可能性を示す。
  論文  参考訳（メタデータ） (2024-07-25T11:22:54Z)
• Deep Spherical Superpixels [1.104960878651584]
  DSS(Deep Spherical Superpixels)と呼ばれる全方位画像に適した,ディープラーニングに基づく最初のスーパーピクセルセグメンテーション手法を提案する。 提案手法は球面CNNアーキテクチャとスーパーピクセルのK平均クラスタリングパラダイムを利用して,球面形状に従うスーパーピクセルを生成する。
  論文  参考訳（メタデータ） (2024-07-24T15:27:21Z)
• Learning Semantic Segmentation with Query Points Supervision on Aerial Images [57.09251327650334]
  セマンティックセグメンテーションアルゴリズムを学習するための弱教師付き学習アルゴリズムを提案する。 提案手法は正確なセマンティックセグメンテーションを行い,手作業のアノテーションに要するコストと時間を大幅に削減することで効率を向上する。
  論文  参考訳（メタデータ） (2023-09-11T14:32:04Z)
• Saliency Enhancement using Superpixel Similarity [77.34726150561087]
  Saliency Object Detection (SOD) は画像解析にいくつかの応用がある。 深層学習に基づくSOD法は最も効果的であるが、類似した色を持つ前景の部品を見逃すことがある。 スーパーピクセル類似性(SESS)に対するtextitSaliency Enhancement というポストプロセッシング手法を導入する。 我々は,SESSが5つの画像データセット上での3つのディープラーニングに基づくSOD手法の結果を連続的に,かつ著しく改善できることを実証した。
  論文  参考訳（メタデータ） (2021-12-01T17:22:54Z)
• SIN:Superpixel Interpolation Network [9.046310874823002]
  従来のアルゴリズムとディープラーニングベースのアルゴリズムは、スーパーピクセルセグメンテーションにおける2つの主要なストリームである。 本稿では,エンド・ツー・エンド方式で下流タスクと統合可能な深層学習に基づくスーパーピクセルセグメンテーションアルゴリズムSINを提案する。
  論文  参考訳（メタデータ） (2021-10-17T02:21:11Z)
• Generating Superpixels for High-resolution Images with Decoupled Patch Calibration [82.21559299694555]
  Patch Networks (PCNet) は高解像度のスーパーピクセルセグメンテーションを効率的かつ正確に実装するように設計されている。 DPCは高解像度画像から局所パッチを取得し、動的にバイナリマスクを生成し、ネットワークを領域境界に集中させる。 特に、DPCは高解像度画像からローカルパッチを取り、動的にバイナリマスクを生成して、ネットワークを領域境界に集中させる。
  論文  参考訳（メタデータ） (2021-08-19T10:33:05Z)
• HERS Superpixels: Deep Affinity Learning for Hierarchical Entropy Rate Segmentation [0.0]
  スーパーピクセルセグメンテーションのための2段階グラフベースのフレームワークを提案する。 最初の段階では,ペアワイズ画素親和性を学習するディープ親和性学習ネットワークを導入する。 第2段階では階層エントロピーレート(HERS)と呼ばれる高効率スーパーピクセル法を提案する。
  論文  参考訳（メタデータ） (2021-06-07T16:20:04Z)
• Exploiting Raw Images for Real-Scene Super-Resolution [105.18021110372133]
  本稿では,合成データと実撮影画像とのギャップを埋めるために,実シーンにおける単一画像の超解像化の問題について検討する。 本稿では,デジタルカメラの撮像過程を模倣して,よりリアルなトレーニングデータを生成する手法を提案する。 また、原画像に記録された放射情報を活用するために、2分岐畳み込みニューラルネットワークを開発した。
  論文  参考訳（メタデータ） (2021-02-02T16:10:15Z)
• Superpixel Segmentation using Dynamic and Iterative Spanning Forest [0.0]
  以下に、Dynamic ISF(DISF)について述べる。 他のシードベースのスーパーピクセル法と比較すると、DIFは関連する種子を見つける傾向が強い。 また、より効果的なスーパーピクセルデライン化のために、ISFフレームワークに動的アーク重み推定を導入している。
  論文  参考訳（メタデータ） (2020-07-08T16:46:58Z)
• Super-BPD: Super Boundary-to-Pixel Direction for Fast Image Segmentation [60.72044848490725]
  新たな超境界画素方向(スーパーBPD)に基づく高速画像分割法を提案する。 BPDでは、異なる領域の近傍画素が互いに反対方向を有し、同一領域の隣接画素は互いに反対方向を有する。 我々はそのような特性を利用して画像を超BPDに分割する。
  論文  参考訳（メタデータ） (2020-05-30T16:00:54Z)

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。