Fugu-MT 論文翻訳(概要): Semantic Segmentation by Improved Generative Adversarial Networks

論文の概要: Semantic Segmentation by Improved Generative Adversarial Networks

arxiv url: http://arxiv.org/abs/2104.09917v1
Date: Tue, 20 Apr 2021 11:59:29 GMT
ステータス: 処理完了
システム内更新日: 2021-04-21 13:38:25.743819
Title: Semantic Segmentation by Improved Generative Adversarial Networks
Title（参考訳）: 生成逆ネットワークの改良によるセマンティックセグメンテーション
Authors: ZengShun Zhaoa (1), Yulong Wang (1), Ke Liu (1), Haoran Yang (1), Qian Sun (1), Heng Qiao (2) ((1) Shandong University of Science and Technology,(2) University of Florida)
Abstract要約: 画像セマンティックセグメンテーションタスクの効果的な改善ソリューションとして、Convolutional CRF(ConvCRF)を紹介します。提案手法は,入力画像から対応する出力画像へのエンドツーエンドマッピングを学習するだけでなく,このマッピングをトレーニングするための損失関数も学習する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: While most existing segmentation methods usually combined the powerful feature extraction capabilities of CNNs with Conditional Random Fields (CRFs) post-processing, the result always limited by the fault of CRFs . Due to the notoriously slow calculation speeds and poor efficiency of CRFs, in recent years, CRFs post-processing has been gradually eliminated. In this paper, an improved Generative Adversarial Networks (GANs) for image semantic segmentation task (semantic segmentation by GANs, Seg-GAN) is proposed to facilitate further segmentation research. In addition, we introduce Convolutional CRFs (ConvCRFs) as an effective improvement solution for the image semantic segmentation task. Towards the goal of differentiating the segmentation results from the ground truth distribution and improving the details of the output images, the proposed discriminator network is specially designed in a full convolutional manner combined with cascaded ConvCRFs. Besides, the adversarial loss aggressively encourages the output image to be close to the distribution of the ground truth. Our method not only learns an end-to-end mapping from input image to corresponding output image, but also learns a loss function to train this mapping. The experiments show that our method achieves better performance than state-of-the-art methods.
Abstract（参考訳）: ほとんどの既存のセグメンテーション手法は、通常CNNの強力な特徴抽出機能と条件付きランダムフィールド(CRF)後処理を組み合わせたが、結果は常にCRFの欠点によって制限される。計算速度が遅く、CRFの効率が低かったことで、近年、CRFのポスト処理は徐々に廃止されている。本稿では,画像意味的セグメンテーションタスク(GANによる意味的セグメンテーション,Seg-GANによる意味的セグメンテーション)のためのGAN(Generative Adversarial Networks)を改良し,セグメンテーション研究を促進する。さらに,画像意味セグメンテーションタスクの効果的な改善ソリューションとして,畳み込みCRF(ConvCRF)を導入する。提案する識別器ネットワークは, 基本真実分布からのセグメンテーション結果を識別し, 出力画像の詳細を改善することを目的として, カスケードされたConvCRFと組み合わせて, 完全な畳み込み方式で特別に設計されている。さらに、敵対的損失は、出力画像が基底真実の分布に近接することを積極的に促す。本手法は,入力画像から対応する出力画像へのエンドツーエンドマッピングを学習するだけでなく,このマッピングを訓練するための損失関数も学習する。実験の結果,本手法は最先端手法よりも優れた性能を示すことがわかった。

関連論文リスト

LeRF: Learning Resampling Function for Adaptive and Efficient Image Interpolation [64.34935748707673]
最近のディープニューラルネットワーク(DNN)は、学習データ前処理を導入することで、パフォーマンスを著しく向上させた。本稿では,DNNが学習した構造的前提と局所的連続仮定の両方を活かした学習再サンプリング(Learning Resampling, LeRF)を提案する。 LeRFは空間的に異なる再サンプリング関数を入力画像ピクセルに割り当て、ニューラルネットワークを用いてこれらの再サンプリング関数の形状を予測する。
論文参考訳（メタデータ） (2024-07-13T16:09:45Z)
Misalignment-Robust Frequency Distribution Loss for Image Transformation [51.0462138717502]
本稿では,画像強調や超解像といった深層学習に基づく画像変換手法における共通の課題に対処することを目的とする。本稿では、周波数領域内における分布距離を計算するための、新しいシンプルな周波数分布損失(FDL)を提案する。本手法は,周波数領域におけるグローバル情報の思慮深い活用により,トレーニング制約として実証的に有効であることが実証された。
論文参考訳（メタデータ） (2024-02-28T09:27:41Z)
Efficient fine-grained road segmentation using superpixel-based CNN and CRF models [0.0]
本稿では,道路分割作業におけるCNNの利点を合理的な計算力で活用するための新しい手法を提案する。提案システムは,KITTIロードベンチマークにおいて,上位性能のアルゴリズムに匹敵する性能を得た。
論文参考訳（メタデータ） (2022-06-22T12:38:30Z)
Continuous Conditional Random Field Convolution for Point Cloud Segmentation [12.154944192318936]
条件付きランダムフィールド(CRF)は通常、ラベルの一貫性を促進するためにラベル空間の離散モデルとして定式化される。本稿では,CRFを特徴空間に再検討し,特徴構造をよく捉えることができる点雲セグメンテーションを提案する。各種クラウドベンチマーク実験により,提案手法の有効性とロバスト性を示した。
論文参考訳（メタデータ） (2021-10-12T15:35:38Z)
RSI-Net: Two-Stream Deep Neural Network Integrating GCN and Atrous CNN for Semantic Segmentation of High-resolution Remote Sensing Images [3.468780866037609]
本稿では,リモートセンシング画像(RSI-Net)のセマンティックセグメンテーションのための2ストリームディープニューラルネットワークを提案する。実験はVayhingen、Potsdam、Gaofen RSIデータセットで実施されている。その結果,6つの最先端RSIセマンティックセグメンテーション法と比較して,総合的精度,F1スコア,カッパ係数において,RSI-Netの優れた性能を示した。
論文参考訳（メタデータ） (2021-09-19T15:57:20Z)
PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia Segmentation in CT Images [83.26057031236965]
画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。 PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
論文参考訳（メタデータ） (2021-08-09T04:58:23Z)
Self-paced and self-consistent co-training for semi-supervised image segmentation [23.100800154116627]
注釈付きデータが不足している場合のイメージセグメンテーションに有効な手法として、ディープコトレーニングが提案されている。本稿では, 半教師付きセグメンテーションの既存手法を, 自己完結型・自己整合型協調学習法により改良する。
論文参考訳（メタデータ） (2020-10-31T17:41:03Z)
Image Segmentation Using Hybrid Representations [2.414172101538764]
医用画像セグメンテーションのための DU-Net という,エンド・ツー・エンドのU-Net ベースのネットワークを提案する。 SCは変換不変であり、リプシッツは変形に連続し、DU-Netは他の従来のCNNよりも優れる。提案手法は,最先端手法と競合する性能を持つ基本U-Netよりも優れた性能を示す。
論文参考訳（メタデータ） (2020-04-15T13:07:35Z)
Attentive CutMix: An Enhanced Data Augmentation Approach for Deep Learning Based Image Classification [58.20132466198622]
そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
論文参考訳（メタデータ） (2020-03-29T15:01:05Z)
Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。このようなペア関係を学習するための反復アルゴリズムを提案する。本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
論文参考訳（メタデータ） (2020-02-19T10:32:03Z)
Image Fine-grained Inpainting [89.17316318927621]
拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
論文参考訳（メタデータ） (2020-02-07T03:45:25Z)

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。