論文の概要: Improving Image co-segmentation via Deep Metric Learning
- arxiv url: http://arxiv.org/abs/2103.10670v1
- Date: Fri, 19 Mar 2021 07:30:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 14:45:10.176572
- Title: Improving Image co-segmentation via Deep Metric Learning
- Title（参考訳）: ディープメトリック学習による画像コセメンテーションの改善
- Authors: Zhengwen Li, Xiabi Liu
- Abstract要約: 本稿では,IS-Triplet Los for Shortという,画像のトリプレットロスを新たに提案し,従来の画像分割損失と組み合わせた。
提案手法を画像共同分割に適用し,SBCosegデータセットとインターネットデータセット上でテストする。
- 参考スコア（独自算出の注目度）: 1.5076964620370268
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep Metric Learning (DML) is helpful in computer vision tasks. In this
paper, we firstly introduce DML into image co-segmentation. We propose a novel
Triplet loss for Image Segmentation, called IS-Triplet loss for short, and
combine it with traditional image segmentation loss. Different from the general
DML task which learns the metric between pictures, we treat each pixel as a
sample, and use their embedded features in high-dimensional space to form
triples, then we tend to force the distance between pixels of different
categories greater than of the same category by optimizing IS-Triplet loss so
that the pixels from different categories are easier to be distinguished in the
high-dimensional feature space. We further present an efficient triple sampling
strategy to make a feasible computation of IS-Triplet loss. Finally, the
IS-Triplet loss is combined with 3 traditional image segmentation losses to
perform image segmentation. We apply the proposed approach to image
co-segmentation and test it on the SBCoseg dataset and the Internet dataset.
The experimental result shows that our approach can effectively improve the
discrimination of pixels' categories in high-dimensional space and thus help
traditional loss achieve better performance of image segmentation with fewer
training epochs.
- Abstract（参考訳）: Deep Metric Learning (DML)はコンピュータビジョンタスクに役立つ。
本稿ではまず,DMLを画像のコセグメンテーションに導入する。
画像分割のための新しい三重項損失であるis-triplet loss for shortを提案し,従来の画像分割損失と組み合わせた。
画像間の距離を学習する一般的なdmlタスクと異なり、各ピクセルをサンプルとして扱い、それらの埋め込み特徴を高次元空間に使用して三重項を形成する。
さらに,IS-Triplet損失の計算を可能とするために,効率的なトリプルサンプリング戦略を提案する。
最後に、IS-Triplet損失と従来の3つの画像分割損失を組み合わせて画像分割を行う。
提案手法を画像のコセメンテーションに適用し,sbcosegデータセットとインターネットデータセットでテストする。
実験結果から,本手法は高次元空間における画素のカテゴリ識別を効果的に向上し,従来の画像分割の精度向上に寄与することが示唆された。
関連論文リスト
- Exploring Multi-view Pixel Contrast for General and Robust Image Forgery Localization [4.8454936010479335]
本稿では,画像フォージェリーローカライゼーションのための多視点Pixel-wise Contrastive Algorithm (MPC)を提案する。
具体的には、まず、教師付きコントラスト損失を伴うバックボーンネットワークを事前訓練する。
次に、クロスエントロピー損失を用いてローカライゼーションヘッドを微調整し、ピクセルローカライザを改良する。
論文 参考訳（メタデータ） (2024-06-19T13:51:52Z) - Image-level Regression for Uncertainty-aware Retinal Image Segmentation [3.7141182051230914]
我々は,新たな不確実性認識変換(SAUNA)を導入する。
以上の結果から,SAUNA変換の統合とセグメント化損失は,異なるセグメンテーションモデルにおいて大きな性能向上をもたらすことが示唆された。
論文 参考訳（メタデータ） (2024-05-27T04:17:10Z) - SwIPE: Efficient and Robust Medical Image Segmentation with Implicit Patch Embeddings [12.79344668998054]
正確な局所境界線とグローバルな形状コヒーレンスを実現するために,SwIPE(Segmentation with Implicit Patch Embeddings)を提案する。
その結果,最近の暗黙的アプローチよりもSwIPEは大幅に改善され,パラメータが10倍以上の最先端の離散手法よりも優れていた。
論文 参考訳（メタデータ） (2023-07-23T20:55:11Z) - Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image
Denoising [50.039949798156826]
本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。
ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。
次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
論文 参考訳（メタデータ） (2022-07-09T13:35:12Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Unsupervised Domain Adaptation with Contrastive Learning for OCT
Segmentation [49.59567529191423]
本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。
教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
論文 参考訳（メタデータ） (2022-03-07T19:02:26Z) - Pixel Contrastive-Consistent Semi-Supervised Semantic Segmentation [22.920856071095915]
セグメンテーションモデル正規性の2つのデシラタを共同で達成する半教師付きセグメンテーション手法を提案する。
画素レベルL2損失と画素コントラスト損失をそれぞれ2つの目的に活用する。
論文 参考訳（メタデータ） (2021-08-20T07:04:33Z) - Weakly-supervised Learning For Catheter Segmentation in 3D Frustum
Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。
提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文 参考訳（メタデータ） (2020-10-19T13:56:22Z) - Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
病理組織像における腺分節に対するPRS2モデルを提案する。
このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。
我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
論文 参考訳（メタデータ） (2020-08-06T15:02:38Z) - Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid
Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。
提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。
検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
論文 参考訳（メタデータ） (2020-06-25T21:10:04Z) - The Semantic Mutex Watershed for Efficient Bottom-Up Semantic Instance
Segmentation [15.768804877756384]
本稿では,共同グラフ分割とラベリングのためのグリーディアルゴリズムを提案する。
アルゴリズムの効率のため、イメージをスーパーピクセルにオーバーセグメンテーションすることなく、直接ピクセル上で操作することができる。
論文 参考訳（メタデータ） (2019-12-29T19:48:39Z)
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。