Fugu-MT 論文翻訳(概要): Iterative, Deep, and Unsupervised Synthetic Aperture Sonar Image Segmentation

論文の概要: Iterative, Deep, and Unsupervised Synthetic Aperture Sonar Image Segmentation

arxiv url: http://arxiv.org/abs/2107.14563v1
Date: Fri, 30 Jul 2021 11:37:33 GMT
ステータス: 処理完了
システム内更新日: 2021-08-02 15:59:51.049796
Title: Iterative, Deep, and Unsupervised Synthetic Aperture Sonar Image Segmentation
Title（参考訳）: 反復的, 深部, 教師なし合成開口ソナー画像分割
Authors: Yung-Chen Sun, Isaac D. Gerg, Vishal Monga
Abstract要約: SAS画像セグメンテーションのための深い特徴を学習するための新しい反復的教師なしアルゴリズムを提案する。その結果,提案手法の性能は,SAS画像分割における現在の最先端手法よりもかなり優れていることがわかった。
参考スコア（独自算出の注目度）: 29.435946984214937
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep learning has not been routinely employed for semantic segmentation of seabed environment for synthetic aperture sonar (SAS) imagery due to the implicit need of abundant training data such methods necessitate. Abundant training data, specifically pixel-level labels for all images, is usually not available for SAS imagery due to the complex logistics (e.g., diver survey, chase boat, precision position information) needed for obtaining accurate ground-truth. Many hand-crafted feature based algorithms have been proposed to segment SAS in an unsupervised fashion. However, there is still room for improvement as the feature extraction step of these methods is fixed. In this work, we present a new iterative unsupervised algorithm for learning deep features for SAS image segmentation. Our proposed algorithm alternates between clustering superpixels and updating the parameters of a convolutional neural network (CNN) so that the feature extraction for image segmentation can be optimized. We demonstrate the efficacy of our method on a realistic benchmark dataset. Our results show that the performance of our proposed method is considerably better than current state-of-the-art methods in SAS image segmentation.
Abstract（参考訳）: 深層学習は人工開口ソナー(SAS)画像における海底環境の意味的セグメンテーションに日常的に使われていない。異常なトレーニングデータ、特に全ての画像のピクセルレベルのラベルは、複雑な物流(例えばダイバーサーベイ、チェイスボート、精度の高い位置情報)のためにSAS画像には利用できない。多くの手作りの特徴に基づくアルゴリズムが、教師なしの方法でSASを分割するために提案されている。しかし,これらの手法の特徴抽出ステップが固定されているため,改善の余地は残されている。本研究では,SAS画像セグメンテーションのための深い特徴を学習するための,新しい反復的教師なしアルゴリズムを提案する。提案するアルゴリズムは,クラスタリングスーパーピクセルと畳み込みニューラルネットワーク(cnn)のパラメータを交互に更新することにより,画像分割のための特徴抽出を最適化する。現実的なベンチマークデータセット上で,本手法の有効性を示す。提案手法の性能は,SAS画像セグメンテーションにおける現在の最先端手法よりもかなり優れていることを示す。

関連論文リスト

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)
Image Outlier Detection Without Training using RANSAC [0.2302001830524133]
RANSAC-NNと呼ばれる新しい画像異常検出アルゴリズムを提案する。既存のアプローチとは異なり、RANSAC-NNはデータのサブセットをサンプリングして比較することで、アウトレーヤを含むデータセットに直接適用することができる。提案アルゴリズムは, 既存のベンチマーク手法と比較して, 良好な性能を保っている。
論文参考訳（メタデータ） (2023-07-23T11:50:27Z)
Iterative, Deep Synthetic Aperture Sonar Image Segmentation [21.319490900396474]
SAS画像セグメンテーションのための非教師なし学習フレームワークIterative Deep Unsupervised (IDUS)を提案する。 IDUSは,1)ディープネットワークのクラス割り当てを推定する,2)ディープネットワークからの低レベルの画像特徴をスーパーピクセルにクラスタ化する,3)スーパーピクセルをクラス割り当てにクラスタ化する,4)ディープネットワーク予測の損失バックプロパゲーションに擬似ラベルを使用する,の4つのステップに分けることができる。 SAS画像セグメンテーションのための現実的なベンチマークデータセットにおけるIDUSと最先端手法の比較は,提案手法の利点を実証するものである。
論文参考訳（メタデータ） (2022-03-28T20:41:24Z)
Implicit Neural Representations for Deconvolving SAS Images [4.446017969073817]
合成開口ソナー(SAS)画像解像度は波形帯域と配列幾何学によって制約される。本研究では、自然画像空間の強い先行性を示す暗黙的ニューラル表現(INR)を利用して、SAS画像を分解する。本手法は, 点散乱モデルと実データとを空気中円SASでキャプチャした実データを用いて, シミュレーションSASデータに対して検証する。
論文参考訳（メタデータ） (2021-12-16T00:24:18Z)
Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with Self-Supervised Depth Estimation [94.16816278191477]
本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。提案したモデルをCityscapesデータセット上で検証する。
論文参考訳（メタデータ） (2021-08-28T01:33:38Z)
AugNet: End-to-End Unsupervised Visual Representation Learning with Image Augmentation [3.6790362352712873]
我々は、未ラベル画像の集合から画像特徴を学習するための新しいディープラーニングトレーニングパラダイムであるAugNetを提案する。実験により,低次元空間における画像の表現が可能であることを実証した。多くのディープラーニングベースの画像検索アルゴリズムとは異なり、我々のアプローチは外部アノテーション付きデータセットへのアクセスを必要としない。
論文参考訳（メタデータ） (2021-06-11T09:02:30Z)
Sparse Signal Models for Data Augmentation in Deep Learning ATR [0.8999056386710496]
ドメイン知識を取り入れ,データ集約学習アルゴリズムの一般化能力を向上させるためのデータ拡張手法を提案する。本研究では,空間領域における散乱中心のスパース性とアジムタル領域における散乱係数の滑らかな変動構造を活かし,過パラメータモデルフィッティングの問題を解く。
論文参考訳（メタデータ） (2020-12-16T21:46:33Z)
Human Body Model Fitting by Learned Gradient Descent [48.79414884222403]
画像に3次元の人体形状を適合させる新しいアルゴリズムを提案する。このアルゴリズムは高速(約120ms収束)で、データセットに頑健であり、公開評価データセットの最先端結果が得られることを示す。
論文参考訳（メタデータ） (2020-08-19T14:26:47Z)
Syn2Real Transfer Learning for Image Deraining using Gaussian Processes [92.15895515035795]
CNNに基づく画像デライニング手法は,再現誤差や視覚的品質の点で優れた性能を発揮している。実世界の完全ラベル付き画像デライニングデータセットを取得する上での課題により、既存の手法は合成されたデータのみに基づいて訓練される。本稿では,ガウス過程に基づく半教師付き学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-06-10T00:33:18Z)
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)
RGB-based Semantic Segmentation Using Self-Supervised Depth Pre-Training [77.62171090230986]
本稿では,任意の意味的RGBセグメンテーション手法の事前学習に使用できる,スケーラブルで自己管理の容易な手法を提案する。特に、我々の事前学習アプローチでは、深度センサーを用いて得られるラベルを自動生成する。提案したHNラベルによる自己教師付き事前学習が,ImageNetの事前学習にどのように応用できるかを示す。
論文参考訳（メタデータ） (2020-02-06T11:16:24Z)

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。