論文の概要: Dense Extreme Inception Network for Edge Detection
- arxiv url: http://arxiv.org/abs/2112.02250v1
- Date: Sat, 4 Dec 2021 05:38:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-07 15:02:01.449012
- Title: Dense Extreme Inception Network for Edge Detection
- Title(参考訳): エッジ検出のための高密度極端インセプションネットワーク
- Authors: Xavier Soria Poma, Angel Sappa, Patricio Humanante, Arash Arbarinia
- Abstract要約: エッジ検出は多くのコンピュータビジョンアプリケーションの基礎となっている。
公開されているデータセットのほとんどは、エッジ検出タスクのためにキュレーションされていない。
エッジの新しいデータセットを提示する。
エッジ検出のためのDense Extreme Inception Network (DexiNed) と呼ばれる新しいアーキテクチャを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Edge detection is the basis of many computer vision applications. State of
the art predominantly relies on deep learning with two decisive factors:
dataset content and network's architecture. Most of the publicly available
datasets are not curated for edge detection tasks. Here, we offer a solution to
this constraint. First, we argue that edges, contours and boundaries, despite
their overlaps, are three distinct visual features requiring separate benchmark
datasets. To this end, we present a new dataset of edges. Second, we propose a
novel architecture, termed Dense Extreme Inception Network for Edge Detection
(DexiNed), that can be trained from scratch without any pre-trained weights.
DexiNed outperforms other algorithms in the presented dataset. It also
generalizes well to other datasets without any fine-tuning. The higher quality
of DexiNed is also perceptually evident thanks to the sharper and finer edges
it outputs.
- Abstract(参考訳): エッジ検出は、多くのコンピュータビジョンアプリケーションの基礎である。
State of the Artは主にディープラーニングに依存しており、コンテンツデータセットとネットワークアーキテクチャの2つの決定的な要素がある。
公開されているデータセットのほとんどは、エッジ検出タスクのためにキュレーションされていない。
ここでは、この制約に対する解決策を提供する。
まず、エッジ、輪郭、バウンダリは、重複しているにもかかわらず、別々のベンチマークデータセットを必要とする3つの視覚的特徴であると主張する。
この目的のために,新たなエッジデータセットを提案する。
第2に,事前学習された重みを伴わずにスクラッチからトレーニング可能な,エッジ検出のための高密度極端インセプションネットワーク(dexined)と呼ばれる新しいアーキテクチャを提案する。
DexiNedは、提示されたデータセットで他のアルゴリズムより優れている。
また、微調整なしで他のデータセットにうまく一般化する。
DexiNedのより高い品質は、出力するよりシャープで細いエッジのおかげで、知覚的に明らかである。
関連論文リスト
- ECT: Fine-grained Edge Detection with Learned Cause Tokens [19.271691951077617]
汎用エッジと細粒度エッジを逐次予測する2段階トランスフォーマーネットワークを提案する。
提案手法をBSDS-RINDおよび複数の新たに派生したベンチマーク上で評価し,新たな最先端結果を得た。
論文 参考訳(メタデータ) (2023-08-06T11:37:55Z) - 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) - Structure-Aware DropEdge Towards Deep Graph Convolutional Networks [83.38709956935095]
グラフ畳み込みネットワーク(GCN)は、複数のレイヤが積み重なると、パフォーマンスが著しく低下する。
オーバースムーシングは、入力からのネットワーク出力を、ネットワーク深さの増加、表現率の低下、およびトレーニング容易性によって分離する。
我々はDropEdgeの洗練された対策について検討する。
論文 参考訳(メタデータ) (2023-06-21T08:11:40Z) - Refined Edge Usage of Graph Neural Networks for Edge Prediction [51.06557652109059]
We propose a novel edge prediction paradigm named Edge-aware Message PassIng neuRal nEtworks (EMPIRE)。
まず,各エッジをトポロジや監督のためにのみ使用するエッジ分割手法を提案する。
監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
論文 参考訳(メタデータ) (2022-12-25T23:19:56Z) - Voxel-based Network for Shape Completion by Leveraging Edge Generation [76.23436070605348]
エッジ生成(VE-PCN)を利用した点雲補完のためのボクセルネットワークを開発した。
まず点雲を正規のボクセル格子に埋め込み、幻覚した形状のエッジの助けを借りて完全な物体を生成する。
この分離されたアーキテクチャとマルチスケールのグリッド機能学習は、より現実的な表面上の詳細を生成することができる。
論文 参考訳(メタデータ) (2021-08-23T05:10:29Z) - Training Robust Graph Neural Networks with Topology Adaptive Edge
Dropping [116.26579152942162]
グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。
彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。
本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
論文 参考訳(メタデータ) (2021-06-05T13:20:36Z) - Revisiting Edge Detection in Convolutional Neural Networks [3.5281112495479245]
ニューラルネットワークの第1畳み込み層においてエッジを適切に表現することはできないことを示す。
エッジ検出ユニットを提案し,性能損失を低減し,定性的に異なる表現を生成することを示す。
論文 参考訳(メタデータ) (2020-12-25T13:53:04Z) - Improving Deep Stereo Network Generalization with Geometric Priors [93.09496073476275]
地上の真実が密集した多様な現実世界のシーンの大規模なデータセットを得ることは困難である。
多くのアルゴリズムは、似たようなシーンや合成データセットの小さな実世界のデータセットに依存している。
本稿では,シーン幾何学の事前知識をエンド・ツー・エンドのステレオネットワークに統合し,ネットワークの一般化を支援することを提案する。
論文 参考訳(メタデータ) (2020-08-25T15:24:02Z) - Learning Crisp Edge Detector Using Logical Refinement Network [29.59728791893451]
本稿では,セグメント化とエッジマップの論理的関係を動機とした,クリップエッジ検出のための新しい論理改良ネットワークを提案する。
このネットワークは、結合オブジェクトとエッジ検出ネットワークと、より正確で、よりクリアで、より薄い高品質のバイナリエッジマップを予測するクリップエッジリファインメントネットワークで構成されている。
論文 参考訳(メタデータ) (2020-07-24T11:12:48Z) - PIE-NET: Parametric Inference of Point Cloud Edges [40.27043782820615]
我々は3Dポイントクラウドデータの特徴エッジを堅牢に識別するエンドツーエンドの学習技術を紹介した。
私たちのディープニューラルネットワークは、PIE-NETと呼ばれ、エッジのパラメトリック推論のために訓練されています。
論文 参考訳(メタデータ) (2020-07-09T15:35:10Z) - 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。