論文の概要: RSI-Net: Two-Stream Deep Neural Network Integrating GCN and Atrous CNN
for Semantic Segmentation of High-resolution Remote Sensing Images
- arxiv url: http://arxiv.org/abs/2109.09148v1
- Date: Sun, 19 Sep 2021 15:57:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-21 16:55:17.165426
- Title: RSI-Net: Two-Stream Deep Neural Network Integrating GCN and Atrous CNN
for Semantic Segmentation of High-resolution Remote Sensing Images
- Title(参考訳): RSI-Net:高解像度リモートセンシング画像のセマンティックセグメンテーションのためのGCNとAtrous CNNを統合した2ストリームディープニューラルネットワーク
- Authors: Shuang He, Xia Lu, Jason Gu, Haitong Tang, Qin Yu, Kaiyue Liu, Haozhou
Ding, Chunqi Chang, Nizhuan Wang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 3.468780866037609
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For semantic segmentation of remote sensing images (RSI), trade-off between
representation power and location accuracy is quite important. How to get the
trade-off effectively is an open question, where current approaches of
utilizing attention schemes or very deep models result in complex models with
large memory consumption. Compared with the popularly-used convolutional neural
network (CNN) with fixed square kernels, graph convolutional network (GCN) can
explicitly utilize correlations between adjacent land covers and conduct
flexible convolution on arbitrarily irregular image regions. However, the
problems of large variations of target scales and blurred boundary cannot be
easily solved by GCN, while densely connected atrous convolution network
(DenseAtrousCNet) with multi-scale atrous convolution can expand the receptive
fields and obtain image global information. Inspired by the advantages of both
GCN and Atrous CNN, a two-stream deep neural network for semantic segmentation
of RSI (RSI-Net) is proposed in this paper to obtain improved performance
through modeling and propagating spatial contextual structure effectively and a
novel decoding scheme with image-level and graph-level combination. Extensive
experiments are implemented on the Vaihingen, Potsdam and Gaofen RSI datasets,
where the comparison results demonstrate the superior performance of RSI-Net in
terms of overall accuracy, F1 score and kappa coefficient when compared with
six state-of-the-art RSI semantic segmentation methods.
- Abstract(参考訳): リモートセンシング画像(rsi)の意味セグメンテーションでは,表現力と位置精度のトレードオフが極めて重要である。
どのように効果的にトレードオフを得るかはオープンな問題であり、注意体系や非常に深いモデルを利用する現在のアプローチは、大きなメモリ消費を伴う複雑なモデルをもたらす。
一般に使われている畳み込みニューラルネットワーク(CNN)と固定正方形カーネルを比較すると、グラフ畳み込みニューラルネットワーク(GCN)は隣接する土地被覆間の相関を明示的に利用し、任意に不規則な画像領域で柔軟な畳み込みを行うことができる。
しかし,マルチスケールのアトラス畳み込みネットワーク(DenseAtrousCNet)は受容場を拡大し,画像のグローバルな情報を得ることができる一方で,ターゲットスケールとぼやけた境界のばらつきの問題はGCNでは容易には解決できない。
本稿では,GCNとAtrous CNNの両方の利点に着想を得て,空間的文脈構造を効果的にモデル化・伝播することにより,RSI(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と,画像レベルとグラフレベルの組み合わせによる新しいデコード方式を提案する。
Vaihingen, Potsdam, Gaofen RSIデータセットにおいて, 総合的精度, F1スコア, カッパ係数を6つの最先端RSIセマンティックセマンティックセグメンテーション法と比較して比較した結果, RSI-Netの優れた性能を示した。
関連論文リスト
- DDU-Net: A Domain Decomposition-based CNN for High-Resolution Image Segmentation on Multiple GPUs [46.873264197900916]
ドメイン分解に基づくU-Netアーキテクチャを導入し、入力イメージを重複しないパッチに分割する。
空間コンテキストの理解を高めるために、パッチ間情報交換を容易にするための通信ネットワークが追加される。
その結果、この手法は、パッチ間通信のない同一ネットワークと比較して、IoU(Universal over Union)スコアよりも2~3,%高い交点を達成できることが判明した。
論文 参考訳(メタデータ) (2024-07-31T01:07:21Z) - CNN2GNN: How to Bridge CNN with GNN [59.42117676779735]
蒸留によりCNNとGNNを統一する新しいCNN2GNNフレームワークを提案する。
Mini-ImageNetにおける蒸留ブースターの2層GNNの性能は、ResNet152のような数十層を含むCNNよりもはるかに高い。
論文 参考訳(メタデータ) (2024-04-23T08:19:08Z) - Increasing the Accuracy of a Neural Network Using Frequency Selective
Mesh-to-Grid Resampling [4.211128681972148]
ニューラルネットワークの入力データの処理にFSMR(Keypoint frequency selective mesh-to-grid resampling)を提案する。
ネットワークアーキテクチャや分類タスクによって、トレーニング中のFSMRの適用は学習プロセスに役立ちます。
ResNet50とOxflower17データセットの分類精度は最大4.31ポイント向上できる。
論文 参考訳(メタデータ) (2022-09-28T21:34:47Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳(メタデータ) (2022-06-06T14:26:34Z) - SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。
近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。
本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。
本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
論文 参考訳(メタデータ) (2022-05-31T15:55:37Z) - ABCNet: Attentive Bilateral Contextual Network for Efficient Semantic
Segmentation of Fine-Resolution Remote Sensing Images [5.753245638190626]
リモートセンシング画像のセマンティックセグメンテーションは、精密農業、環境保護、経済評価において重要な役割を担っている。
空間分解能の増加によって引き起こされる複雑な情報のため、最先端のディープラーニングアルゴリズムは通常、セグメンテーションに複雑なネットワークアーキテクチャを使用する。
本稿では,2枝の畳み込みニューラルネットワーク(CNN)であるABCNetを提案する。
論文 参考訳(メタデータ) (2021-02-04T10:43:08Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳(メタデータ) (2020-09-19T09:26:20Z) - SCG-Net: Self-Constructing Graph Neural Networks for Semantic
Segmentation [23.623276007011373]
本稿では,画像から直接長距離依存グラフを学習し,コンテキスト情報を効率的に伝達するモジュールを提案する。
モジュールは、新しい適応対角法と変分下界により最適化される。
ニューラルネットワーク(SCG-Net)に組み込まれると、セマンティックセグメンテーションがエンドツーエンドで行われ、競争性能が向上する。
論文 参考訳(メタデータ) (2020-09-03T12:13:09Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳(メタデータ) (2020-04-19T09:43:14Z) - Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。
本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。
我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
論文 参考訳(メタデータ) (2020-04-08T10:08:20Z) - Geometric Approaches to Increase the Expressivity of Deep Neural
Networks for MR Reconstruction [41.62169556793355]
高速磁気共鳴画像(MRI)取得による画像再構成には,ディープラーニングのアプローチが広く研究されている。
ネットワークの複雑さとパフォーマンスのトレードオフをバランスさせるために、適切なネットワークアーキテクチャを選択する方法が明確ではない。
本稿では,ブートストラップとサブネットワークアグリゲーションを用いて,ニューラルネットワークの表現性を向上する手法を提案する。
論文 参考訳(メタデータ) (2020-03-17T14:18:37Z)
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。