Fugu-MT 論文翻訳(概要): Localized Feature Aggregation Module for Semantic Segmentation

論文の概要: Localized Feature Aggregation Module for Semantic Segmentation

arxiv url: http://arxiv.org/abs/2112.01702v1
Date: Fri, 3 Dec 2021 04:15:00 GMT
ステータス: 処理完了
システム内更新日: 2021-12-07 03:46:22.741699
Title: Localized Feature Aggregation Module for Semantic Segmentation
Title（参考訳）: セマンティクスセグメンテーションのための局所化特徴集約モジュール
Authors: Ryouichi Furukawa, Kazuhiro Hotta
Abstract要約: 提案手法は,デコーダの特徴マップとより優れた意味情報との類似性を強調して位置情報を復元する。提案手法は,従来のU-netと注意U-netの連結よりも効率的に位置情報を学習することができる。
参考スコア（独自算出の注目度）: 10.305130700118399
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a new information aggregation method which called Localized Feature Aggregation Module based on the similarity between the feature maps of an encoder and a decoder. The proposed method recovers positional information by emphasizing the similarity between decoder's feature maps with superior semantic information and encoder's feature maps with superior positional information. The proposed method can learn positional information more efficiently than conventional concatenation in the U-net and attention U-net. Additionally, the proposed method also uses localized attention range to reduce the computational cost. Two innovations contributed to improve the segmentation accuracy with lower computational cost. By experiments on the Drosophila cell image dataset and COVID-19 image dataset, we confirmed that our method outperformed conventional methods.
Abstract（参考訳）: 本稿では,エンコーダとデコーダの特徴マップの類似性に基づいて,局所化特徴集約モジュールと呼ばれる新しい情報集約手法を提案する。提案手法は,意味情報に優れたデコーダ特徴マップと位置情報に優れたエンコーダ特徴マップとの類似性を強調することで位置情報を復元する。提案手法は,従来のU-netと注意U-netの連結よりも効率的に位置情報を学習することができる。さらに,提案手法では局所的注意範囲を用いて計算コストを低減できる。 2つの革新は計算コストを下げてセグメンテーションの精度を向上させることに寄与した。ショウジョウバエの細胞画像データセットとCOVID-19の画像データセットの実験により,本手法が従来の方法より優れていることを確認した。

関連論文リスト

Adaptive Local-Component-aware Graph Convolutional Network for One-shot Skeleton-based Action Recognition [54.23513799338309]
骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
論文参考訳（メタデータ） (2022-09-21T02:33:07Z)
Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。 IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
論文参考訳（メタデータ） (2022-06-17T09:40:14Z)
Reducing Information Bottleneck for Weakly Supervised Semantic Segmentation [17.979336178991083]
弱教師付きセマンティックセグメンテーションは、クラスラベルからピクセルレベルのローカライゼーションを生成する。このようなラベルで訓練された分類器は、ターゲットオブジェクトの小さな識別領域に焦点を当てる可能性が高い。本稿では,最後のアクティベーション関数を除去することで,情報のボトルネックを低減する手法を提案する。さらに,非識別領域から分類への情報伝達をさらに促進する新たなプーリング手法を提案する。
論文参考訳（メタデータ） (2021-10-13T06:49:45Z)
SIGN: Spatial-information Incorporated Generative Network for Generalized Zero-shot Semantic Segmentation [22.718908677552196]
ゼロショットセマンティックセグメンテーションは、画像レベルの代わりにピクセルレベルでクラスラベルを予測する。 Relative Positionalは特徴レベルで空間情報を統合し、任意の画像サイズを処理できる。 Anneal Self-Trainingは、自動的に異なる重要性を擬似ラベルに割り当てる。
論文参考訳（メタデータ） (2021-08-27T22:18:24Z)
Towards an efficient framework for Data Extraction from Chart Images [27.114170963444074]
データマイニングシステムにおいて,データ抽出段階において最先端のコンピュータビジョン技術を採用する。堅牢な点検出器を構築するには、特徴融合モジュールを備えた完全な畳み込みネットワークを採用する。データ変換では,検出した要素を意味値でデータに変換する。
論文参考訳（メタデータ） (2021-05-05T13:18:53Z)
A Novel Upsampling and Context Convolution for Image Semantic Segmentation [0.966840768820136]
最近のセマンティックセグメンテーションの方法は、しばしば深い畳み込みニューラルネットワークを用いたエンコーダデコーダ構造を採用している。ネットワーク内の画像の空間情報を効率的に保存するために,ガイドフィルタに基づく高密度アップサンプリング畳み込み法を提案する。 ADE20KとPascal-Contextのベンチマークデータセットでは,それぞれ82.86%,81.62%の画素精度を記録した。
論文参考訳（メタデータ） (2021-03-20T06:16:42Z)
Information Theoretic Meta Learning with Gaussian Processes [74.54485310507336]
情報理論の概念,すなわち相互情報と情報のボトルネックを用いてメタ学習を定式化する。相互情報に対する変分近似を用いることで、メタ学習のための汎用的かつトラクタブルな枠組みを導出する。
論文参考訳（メタデータ） (2020-09-07T16:47:30Z)
Beyond Single Stage Encoder-Decoder Networks: Deep Decoders for Semantic Image Segmentation [56.44853893149365]
セマンティックセグメンテーションのための単一エンコーダ-デコーダ手法は、セマンティックセグメンテーションの品質とレイヤー数あたりの効率の観点からピークに達している。そこで本研究では,より多くの情報コンテンツを取得するために,浅層ネットワークの集合を用いたデコーダに基づく新しいアーキテクチャを提案する。アーキテクチャをさらに改善するために,ネットワークの注目度を高めるために,クラスの再バランスを目的とした重み関数を導入する。
論文参考訳（メタデータ） (2020-07-19T18:44:34Z)
Multi-Scale Boosted Dehazing Network with Dense Feature Fusion [92.92572594942071]
U-Netアーキテクチャに基づくDense Feature Fusionを用いたマルチスケールブーストデハージングネットワークを提案する。提案モデルでは,ベンチマークデータセットや実世界のハジー画像に対する最先端のアプローチに対して,好意的に機能することを示す。
論文参考訳（メタデータ） (2020-04-28T09:34:47Z)
Pairwise Similarity Knowledge Transfer for Weakly Supervised Object Localization [53.99850033746663]
弱教師付き画像ラベルを持つ対象クラスにおける局所化モデル学習の問題点について検討する。本研究では,対象関数のみの学習は知識伝達の弱い形態であると主張する。 COCOおよびILSVRC 2013検出データセットの実験では、ペアワイズ類似度関数を含むことにより、ローカライズモデルの性能が大幅に向上することが示された。
論文参考訳（メタデータ） (2020-03-18T17:53:33Z)

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。