論文の概要: Border-SegGCN: Improving Semantic Segmentation by Refining the Border Outline using Graph Convolutional Network

• arxiv url: http://arxiv.org/abs/2109.05353v1
• Date: Sat, 11 Sep 2021 19:34:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-17 08:24:37.699995
• Title: Border-SegGCN: Improving Semantic Segmentation by Refining the Border Outline using Graph Convolutional Network
• Title（参考訳）: Border-SegGCN:グラフ畳み込みネットワークを用いた境界アウトラインの精細化によるセマンティックセグメンテーションの改善
• Authors: Naina Dhingra, George Chogovadze, Andreas Kunz
• Abstract要約: Border-SegGCNはグラフ畳み込みネットワーク(GCN)を用いて境界線を精細化することでセマンティックセグメンテーションを改善する 我々は、CamVidデータセットとCarlaデータセットにおけるBorder-SegGCNの有効性を実証し、CamVidデータセットでの後処理なしで81.96%のテストセット性能を達成する。
• 参考スコア（独自算出の注目度）: 0.15469452301122172
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We present Border-SegGCN, a novel architecture to improve semantic segmentation by refining the border outline using graph convolutional networks (GCN). The semantic segmentation network such as Unet or DeepLabV3+ is used as a base network to have pre-segmented output. This output is converted into a graphical structure and fed into the GCN to improve the border pixel prediction of the pre-segmented output. We explored and studied the factors such as border thickness, number of edges for a node, and the number of features to be fed into the GCN by performing experiments. We demonstrate the effectiveness of the Border-SegGCN on the CamVid and Carla dataset, achieving a test set performance of 81.96% without any post-processing on CamVid dataset. It is higher than the reported state of the art mIoU achieved on CamVid dataset by 0.404%
• Abstract（参考訳）: 本稿では,グラフ畳み込みネットワーク(gcn)を用いて境界輪郭を精錬し,意味セグメンテーションを改善する新しいアーキテクチャであるborder-seggcnを提案する。 UnetやDeepLabV3+のようなセマンティックセグメンテーションネットワークは、事前にセグメンテーションされた出力を持つベースネットワークとして使用される。 この出力はグラフィカルな構造に変換され、gcnに供給され、プレセグメンテーションされた出力の境界画素予測を改善する。 実験を行い,境界の厚さ,ノードのエッジ数,gcnに供給すべき特徴数などの要因を調査し検討した。 camvidおよびcarlaデータセットにおけるborder-seggcnの有効性を実証し、camvidデータセットの処理後なしで81.96%のテストセット性能を達成する。 CamVidデータセットで達成されたmIoUの報告された状態よりも0.404%高い。

関連論文リスト

• Edge-Aware Mirror Network for Camouflaged Object Detection [5.032585246295627]
  エッジ検出と擬似オブジェクトセグメンテーションをモデル化する新しいエッジ対応ミラーネットワーク(EAMNet)を提案する。 EAMNetは2分岐アーキテクチャを持ち、セグメンテーションによるエッジアグリゲーションモジュールとエッジによる完全アグリゲーションモジュールがセグメンテーションブランチとエッジ検出ブランチをクロスガイドするように設計されている。 実験の結果,EAMNetは3つの広く使用されているCODデータセットにおいて,既存の最先端ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-07-08T08:14:49Z)
• Edge-aware Plug-and-play Scheme for Semantic Segmentation [4.297988192695948]
  提案手法は, 改良を伴わない任意の最先端(SOTA)モデルにシームレスに統合できる。 実験結果から,提案手法は改良を伴わない任意の最先端(SOTA)モデルにシームレスに統合できることが示唆された。
  論文  参考訳（メタデータ） (2023-03-18T02:17:37Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Boundary-aware Graph Reasoning for Semantic Segmentation [86.43045705799844]
  セマンティックセグメンテーションのためのコンテキスト特徴を学習するための境界対応グラフ推論(BGR)モジュールを提案する。 我々のBGRモジュールはグラフ構築シナリオとセグメンテーションの誤った領域を組み合わせるための合理的な方法を模索している。
  論文  参考訳（メタデータ） (2021-08-09T03:23:42Z)
• Affinity Attention Graph Neural Network for Weakly Supervised Semantic Segmentation [86.44301443789763]
  弱教師付きセマンティックセグメンテーションのための親和性注意グラフニューラルネットワーク(A2$GNN)を提案する。 提案手法は,Pascal VOC 2012データセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-06-08T02:19:21Z)
• General-Purpose OCR Paragraph Identification by Graph Convolutional Neural Networks [1.5960546024967326]
  OCRテキストボックスに適用した空間グラフ畳み込みニューラルネットワーク(GCN)による段落識別のための新しい手法を提案する。 行分割と行クラスタリングという2つのステップを行い、OCR結果の行から段落を抽出する。 GCNモデルは、合成トレーニングデータから実世界の画像への優れた一般化と、可変文書スタイルに対する優れた適応性を示す。
  論文  参考訳（メタデータ） (2021-01-29T18:54:53Z)
• SPAGAN: Shortest Path Graph Attention Network [187.75441278910708]
  グラフ畳み込みネットワーク(GCN)は最近、グラフとして表現できる非グリッド構造データを分析する可能性を示した。 本研究では,SPAGAN (Shortest Path Graph Attention Network) と呼ばれる新しいGCNモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-10T03:18:34Z)
• Track Seeding and Labelling with Embedded-space Graph Neural Networks [3.5236955190576693]
  Exa.TrkXプロジェクトは、粒子トラック再構築のための機械学習アプローチを調査している。 これらのソリューションで最も有望なのは、グラフニューラルネットワーク(GNN)で、トラック計測を接続するグラフとしてイベントを処理する。 この課題に対する最先端アーキテクチャの更新について報告する。
  論文  参考訳（メタデータ） (2020-06-30T23:43:28Z)
• Self-supervised edge features for improved Graph Neural Network training [8.980876474818153]
  我々は、自己教師付き学習と教師なし学習の組み合わせにより、任意のドメインに適用可能な新しいエッジ機能を作成するためのフレームワークを提案する。 本研究は, 単細胞RNAシークエンシングデータ, テキチンインビトロSARS-CoV-2感染, ヒトCOVID-19患者の3つの生物学的データセットについて検証した。
  論文  参考訳（メタデータ） (2020-06-23T20:18:22Z)
• Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature Interactions [153.6357310444093]
  Graph Convolutional Network(GCN)は,グラフデータの学習と推論を行う新興技術である。 我々は、GCNの既存の設計がクロスフィーチャをモデリングし、クロスフィーチャが重要であるタスクやデータに対してGCNの効率を損なうことを論じている。 我々は、任意の次交叉特徴を、特徴次元と順序サイズに線形に複雑にモデル化した、クロスフィーチャーグラフ畳み込みという新しい演算子を設計する。
  論文  参考訳（メタデータ） (2020-03-05T13:05:27Z)
• Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
  本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。 これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。 SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
  論文  参考訳（メタデータ） (2020-02-11T14:04:56Z)

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。