論文の概要: HERS Superpixels: Deep Affinity Learning for Hierarchical Entropy Rate
Segmentation
- arxiv url: http://arxiv.org/abs/2106.03755v1
- Date: Mon, 7 Jun 2021 16:20:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 18:25:08.201650
- Title: HERS Superpixels: Deep Affinity Learning for Hierarchical Entropy Rate
Segmentation
- Title(参考訳): HERSスーパーピクセル:階層エントロピーレートセグメンテーションのための深層親和性学習
- Authors: Hankui Peng, Angelica I. Aviles-Rivero, Carola-Bibiane Schonlieb
- Abstract要約: 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。
- 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: Superpixels serve as a powerful preprocessing tool in many computer vision
tasks. By using superpixel representation, the number of image primitives can
be largely reduced by orders of magnitudes. The majority of superpixel methods
use handcrafted features, which usually do not translate well into strong
adherence to object boundaries. A few recent superpixel methods have introduced
deep learning into the superpixel segmentation process. However, none of these
methods is able to produce superpixels in near real-time, which is crucial to
the applicability of a superpixel method in practice. In this work, we propose
a two-stage graph-based framework for superpixel segmentation. In the first
stage, we introduce an efficient Deep Affinity Learning (DAL) network that
learns pairwise pixel affinities by aggregating multi-scale information. In the
second stage, we propose a highly efficient superpixel method called
Hierarchical Entropy Rate Segmentation (HERS). Using the learned affinities
from the first stage, HERS builds a hierarchical tree structure that can
produce any number of highly adaptive superpixels instantaneously. We
demonstrate, through visual and numerical experiments, the effectiveness and
efficiency of our method compared to various state-of-the-art superpixel
methods.
- Abstract(参考訳): スーパーピクセルは多くのコンピュータビジョンタスクで強力な前処理ツールとして機能する。
超ピクセル表現を使用することで、画像プリミティブの数は桁違いに小さくすることができる。
スーパーピクセル法の大半は手作りの特徴を使い、通常はオブジェクトの境界に強く固執するものではない。
最近のいくつかのスーパーピクセル法は、スーパーピクセルセグメンテーションプロセスに深層学習を導入している。
しかし、これらの方法のいずれも、ほぼリアルタイムでスーパーピクセルを生成できないため、実際にはスーパーピクセル法の適用性に欠かせない。
本研究では,スーパーピクセルセグメンテーションのための2段階グラフベースフレームワークを提案する。
第1段階では,マルチスケール情報を集約することで,ペアワイズ画素親和性を学習するDAL(Deep Affinity Learning)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セグメンテーション(HERS)と呼ばれる高効率なスーパーピクセル法を提案する。
最初の段階から学んだ親和性を利用して、hersは階層的な木構造を構築し、様々な高度に適応したスーパーピクセルを瞬時に生成できる。
視覚および数値実験により, 様々な最先端のスーパーピクセル法と比較して, 提案手法の有効性と効率を実証した。
関連論文リスト
- Superpixel Transformers for Efficient Semantic Segmentation [32.537400525407186]
本稿では,画像の過剰部分化というスーパーピクセルの考え方を活用し,近代的なトランスフォーマーフレームワークでそれらを適用することによって,その解決策を提案する。
提案手法は,グローバルな自己認識機構によって生成されるリッチなスーパーピクセル特徴により,セマンティックセマンティックセグメンテーションにおける最先端性能を実現する。
論文 参考訳(メタデータ) (2023-09-28T23:09:30Z) - Efficient Multiscale Object-based Superpixel Framework [62.48475585798724]
我々は,SICLE(Iterative CLEarcutting)によるスーパーピクセルという,新しいスーパーピクセルフレームワークを提案する。
SICLEは、複数スケールのセグメンテーションをオンザフライで生成できるオブジェクト情報を利用する。
これは最近のスーパーピクセル法を一般化し、複数のデライン化指標に従って効率と効率性に関する最先端のアプローチを超越している。
論文 参考訳(メタデータ) (2022-04-07T15:59:38Z) - 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) - Deep Superpixel Cut for Unsupervised Image Segmentation [0.9281671380673306]
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。
論文 参考訳(メタデータ) (2021-03-10T13:07:41Z) - 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) - Propagate Yourself: Exploring Pixel-Level Consistency for Unsupervised
Visual Representation Learning [60.75687261314962]
我々は,高密度な特徴表現を学習するための画素レベルのプレテキストタスクを導入する。
ピクセル・ツー・プロパゲーション整合性タスクは、最先端のアプローチよりも優れた結果をもたらす。
結果は、ピクセルレベルでプリテキストタスクを定義する強力な可能性を示している。
論文 参考訳(メタデータ) (2020-11-19T18:59:45Z) - ITSELF: Iterative Saliency Estimation fLexible Framework [68.8204255655161]
機密度オブジェクト検出は、画像で最も顕著なオブジェクトを推定する。
我々は,ユーザ定義の仮定をモデルに追加できる,スーパーピクセルベースのITELF(ITSELF)を提案する。
ITSELFを5つのメトリクスと6つのデータセットで2つの最先端の精度推定器と比較する。
論文 参考訳(メタデータ) (2020-06-30T16:51:31Z) - Superpixel Segmentation with Fully Convolutional Networks [32.878045921919714]
本稿では,通常の画像グリッド上でのスーパーピクセルの予測に完全畳み込みネットワークを用いる新しい手法を提案する。
ベンチマーク・データセットによる実験結果から,提案手法は最先端のスーパーピクセル・セグメンテーション性能を実現することが示された。
ステレオマッチングのための人気のあるネットワークアーキテクチャを改良し、スーパーピクセルと格差を同時に予測する。
論文 参考訳(メタデータ) (2020-03-29T02:42:07Z)
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。