論文の概要: Learning the Superpixel in a Non-iterative and Lifelong Manner
- arxiv url: http://arxiv.org/abs/2103.10681v1
- Date: Fri, 19 Mar 2021 08:19:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 19:01:43.453736
- Title: Learning the Superpixel in a Non-iterative and Lifelong Manner
- Title（参考訳）: ノンイテレーティブかつ生涯の方法でスーパーピクセルを学ぶ
- Authors: Lei Zhu, Qi She, Bin Zhang, Yanye Lu, Zhilin Lu, Duo Li, Jie Hu
- Abstract要約: Superpixelは、画像内のピクセルを数百のコンパクトなパーティションに自動的にクラスタリングすることによって生成されます。
高品質なスーパーピクセルを生成するために,LNS-Netと呼ばれる教師なしCNNベースの手法を提案する。
提案したLSS-Netは、他の最先端手法に比べて10倍近い複雑さを持つ3つのベンチマークで大幅に性能が向上する。
- 参考スコア（独自算出の注目度）: 27.802103814135542
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Superpixel is generated by automatically clustering pixels in an image into
hundreds of compact partitions, which is widely used to perceive the object
contours for its excellent contour adherence. Although some works use the
Convolution Neural Network (CNN) to generate high-quality superpixel, we
challenge the design principles of these networks, specifically for their
dependence on manual labels and excess computation resources, which limits
their flexibility compared with the traditional unsupervised segmentation
methods. We target at redefining the CNN-based superpixel segmentation as a
lifelong clustering task and propose an unsupervised CNN-based method called
LNS-Net. The LNS-Net can learn superpixel in a non-iterative and lifelong
manner without any manual labels. Specifically, a lightweight feature embedder
is proposed for LNS-Net to efficiently generate the cluster-friendly features.
With those features, seed nodes can be automatically assigned to cluster pixels
in a non-iterative way. Additionally, our LNS-Net can adapt the sequentially
lifelong learning by rescaling the gradient of weight based on both channel and
spatial context to avoid overfitting. Experiments show that the proposed
LNS-Net achieves significantly better performance on three benchmarks with
nearly ten times lower complexity compared with other state-of-the-art methods.
- Abstract（参考訳）: スーパーピクセルは、画像中のピクセルを数百のコンパクトなパーティションに自動的にクラスタリングすることで生成される。
高品質なスーパーピクセルを生成するために畳み込みニューラルネットワーク(CNN)を用いる研究もあるが、これらのネットワークの設計原則、特に手動ラベルや過剰な計算資源に依存しているため、従来の教師なしセグメンテーション手法と比較して柔軟性が制限されている。
我々は,長寿命クラスタリングタスクとしてCNNベースのスーパーピクセルセグメンテーションを再定義し,LNS-Netと呼ばれる教師なしCNNベースの手法を提案する。
lns-netは、手動のラベルなしで、ノンイテレーティブで生涯にわたってスーパーピクセルを学習できる。
具体的には、クラスタフレンドリーな機能を効率的に生成するために、LSS-Netに軽量な機能埋め込み器を提案する。
これらの機能により、シードノードは非イテレーティブな方法でクラスタピクセルに自動的に割り当てられる。
さらに、LNS-Netは、チャネルと空間の両方の文脈に基づいて重みの勾配を再スケーリングすることで、過度な適合を避けることで、逐次的生涯学習に適応することができる。
実験により、提案手法は3つのベンチマークにおいて、他の最先端手法に比べて約10倍の複雑さで大幅に性能が向上することを示した。
関連論文リスト
- Unsupervised Image Semantic Segmentation through Superpixels and Graph
Neural Networks [6.123324869194195]
ラベル付きデータが不足している多くの実世界のシナリオでは、教師なしのイメージセグメンテーションが重要なタスクである。
本稿では,相互情報最大化(MIM),ニューラルスーパーピクセル,グラフニューラルネットワーク(GNN)をエンドツーエンドに組み合わせて,教師なし学習の最近の進歩を活用する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-10-21T08:35:18Z) - Signal Processing for Implicit Neural Representations [80.38097216996164]
Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。
既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。
本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
論文 参考訳（メタデータ） (2022-10-17T06:29:07Z) - Lightweight and Progressively-Scalable Networks for Semantic
Segmentation [100.63114424262234]
マルチスケール学習フレームワークは,セマンティックセグメンテーションを向上する有効なモデルのクラスと見なされてきた。
本稿では,畳み込みブロックの設計と,複数スケールにわたる相互作用の仕方について,徹底的に解析する。
我々は,軽量で拡張性の高いネットワーク(LPS-Net)を考案した。
論文 参考訳（メタデータ） (2022-07-27T16:00:28Z) - Rethinking Unsupervised Neural Superpixel Segmentation [6.123324869194195]
CNNによるスーパーピクセルセグメンテーションのための教師なし学習が研究されている。
このようなネットワークの有効性を改善するために,3つの重要な要素を提案する。
BSDS500データセットを実験した結果,提案手法の意義を示す証拠が得られた。
論文 参考訳（メタデータ） (2022-06-21T09:30:26Z) - Towards a General Purpose CNN for Long Range Dependencies in
$\mathrm{N}$D [49.57261544331683]
構造変化のない任意の解像度,次元,長さのタスクに対して,連続的な畳み込みカーネルを備えた単一CNNアーキテクチャを提案する。
1$mathrmD$)とビジュアルデータ(2$mathrmD$)の幅広いタスクに同じCCNNを適用することで、我々のアプローチの汎用性を示す。
私たちのCCNNは競争力があり、検討されたすべてのタスクで現在の最先端を上回ります。
論文 参考訳（メタデータ） (2022-06-07T15:48:02Z) - CondenseNeXt: An Ultra-Efficient Deep Neural Network for Embedded
Systems [0.0]
畳み込みニューラルネットワーク(英: Convolutional Neural Network, CNN)は、画像センサが捉えた視覚画像の分析に広く用いられているディープニューラルネットワーク(DNN)のクラスである。
本稿では,組込みシステム上でのリアルタイム推論のために,既存のCNNアーキテクチャの性能を改善するために,深層畳み込みニューラルネットワークアーキテクチャの新しい変種を提案する。
論文 参考訳（メタデータ） (2021-12-01T18:20:52Z) - Quantized Neural Networks via {-1, +1} Encoding Decomposition and
Acceleration [83.84684675841167]
本稿では,量子化されたニューラルネットワーク(QNN)をマルチブランチバイナリネットワークに分解するために,-1,+1を用いた新しい符号化方式を提案する。
本稿では,大規模画像分類,オブジェクト検出,セマンティックセグメンテーションにおける提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2021-06-18T03:11:15Z) - Container: Context Aggregation Network [83.12004501984043]
最近の発見は、従来の畳み込みやトランスフォーマーコンポーネントを使わずに、シンプルなベースのソリューションが効果的な視覚表現を生成できることを示している。
マルチヘッドコンテキストアグリゲーションのための汎用ビルディングブロックCONText Ion NERtwokを提案する。
より大規模な入力画像解像度に依存する下流タスクにはスケールしないTransformerベースの手法とは対照的に、当社の効率的なネットワークであるModellightは、オブジェクト検出やインスタンスセグメンテーションネットワークに利用することができる。
論文 参考訳（メタデータ） (2021-06-02T18:09:11Z) - Implicit Integration of Superpixel Segmentation into Fully Convolutional
Networks [11.696069523681178]
スーパーピクセル方式をCNNに暗黙的に統合する方法を提案する。
提案手法では,下地層に画素を階層的にグループ化し,スーパーピクセルを生成する。
本手法は,セマンティックセグメンテーション,スーパーピクセルセグメンテーション,モノクル深度推定などのタスクで評価する。
論文 参考訳（メタデータ） (2021-03-05T02:20:26Z) - AINet: Association Implantation for Superpixel Segmentation [82.21559299694555]
今回提案する新しいtextbfAssociation textbfImplantation(AI)モジュールは、ネットワークがピクセルとその周辺グリッド間の関係を明示的にキャプチャすることを可能にする。
本手法は最先端性能を実現するだけでなく,十分な推論効率を維持することができた。
論文 参考訳（メタデータ） (2021-01-26T10:40:13Z) - Superpixel Segmentation via Convolutional Neural Networks with
Regularized Information Maximization [11.696069523681178]
ランダムd畳み込みニューラルネットワーク(CNN)を推論時間で最適化し,教師なし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,スーパーピクセルセグメンテーションの目的関数を最小化することにより,ラベルのない単一画像からCNNを介してスーパーピクセルを生成する。
論文 参考訳（メタデータ） (2020-02-17T04:32:03Z)
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。