論文の概要: Image Classification using Graph Neural Network and Multiscale Wavelet Superpixels

• arxiv url: http://arxiv.org/abs/2201.12633v1
• Date: Sat, 29 Jan 2022 18:46:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-01 15:43:40.112001
• Title: Image Classification using Graph Neural Network and Multiscale Wavelet Superpixels
• Title（参考訳）: グラフニューラルネットワークと多スケールウェーブレットスーパーピクセルを用いた画像分類
• Authors: Varun Vasudevan and Maxime Bassenne and Md Tauhidul Islam and Lei Xing
• Abstract要約: 本研究では,マルチスケールスーパーピクセルのイメージ固有数から生成されたグラフを用いて画像分類を行う。 本稿では,新しいウェーブレットベースのスーパーピクセルアルゴリズムであるWaveMeshを提案する。 我々は、画像グラフ分類のための最先端ネットワークであるSplineCNNを使用して、WaveMeshと同様のサイズのスーパーピクセルを比較する。
• 参考スコア（独自算出の注目度）: 10.704310327654094
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prior studies using graph neural networks (GNNs) for image classification have focused on graphs generated from a regular grid of pixels or similar-sized superpixels. In the latter, a single target number of superpixels is defined for an entire dataset irrespective of differences across images and their intrinsic multiscale structure. On the contrary, this study investigates image classification using graphs generated from an image-specific number of multiscale superpixels. We propose WaveMesh, a new wavelet-based superpixeling algorithm, where the number and sizes of superpixels in an image are systematically computed based on its content. WaveMesh superpixel graphs are structurally different from similar-sized superpixel graphs. We use SplineCNN, a state-of-the-art network for image graph classification, to compare WaveMesh and similar-sized superpixels. Using SplineCNN, we perform extensive experiments on three benchmark datasets under three local-pooling settings: 1) no pooling, 2) GraclusPool, and 3) WavePool, a novel spatially heterogeneous pooling scheme tailored to WaveMesh superpixels. Our experiments demonstrate that SplineCNN learns from multiscale WaveMesh superpixels on-par with similar-sized superpixels. In all WaveMesh experiments, GraclusPool performs poorer than no pooling / WavePool, indicating that poor choice of pooling can result in inferior performance while learning from multiscale superpixels.
• Abstract（参考訳）: 画像分類にグラフニューラルネットワーク(GNN)を用いた以前の研究は、通常のピクセル格子や類似サイズのスーパーピクセルから生成されるグラフに焦点を当てていた。 後者では、画像と本質的なマルチスケール構造の違いにかかわらず、データセット全体に対して1つのスーパーピクセルのターゲット数を定義する。 そこで本研究では,画像固有数のスーパーピクセルから生成したグラフを用いて画像分類を行う。 画像中のスーパーピクセルの数とサイズをその内容に基づいて体系的に計算する新しいウェーブレットベースの超画素アルゴリズムwavemeshを提案する。 WaveMeshスーパーピクセルグラフは、同様のサイズのスーパーピクセルグラフと構造的に異なる。 我々は、画像グラフ分類のための最先端ネットワークであるSplineCNNを使用して、WaveMeshと同様のサイズのスーパーピクセルを比較する。 SplineCNNを使用して、3つのローカルプール設定下で3つのベンチマークデータセットに対して広範な実験を行う。 1)プールなし。 2)gracluspool,および 3)WavePoolはWaveMeshのスーパーピクセルに合わせた空間的に不均一なプール方式である。 実験の結果,SplineCNNはマルチスケールのWaveMeshスーパーピクセルと類似サイズのスーパーピクセルから学習できることがわかった。 すべてのwavemesh実験において、gracluspoolはプールやウェーブプールよりも貧弱であり、プール選択の貧弱さは、マルチスケールのスーパーピクセルから学習しながら性能を低下させる可能性があることを示している。

関連論文リスト

• Superpixel Graph Contrastive Clustering with Semantic-Invariant Augmentations for Hyperspectral Images [64.72242126879503]
  ハイパースペクトル画像(HSI)クラスタリングは重要な課題だが難しい課題である。 まず3次元と2次元のハイブリッド畳み込みニューラルネットワークを用いてHSIの高次空間およびスペクトルの特徴を抽出する。 次に,超画素グラフの対比クラスタリングモデルを設計し,識別的超画素表現を学習する。
  論文  参考訳（メタデータ） (2024-03-04T07:40:55Z)
• Splatter Image: Ultra-Fast Single-View 3D Reconstruction [67.96212093828179]
  Splatter ImageはGaussian Splattingをベースにしており、複数の画像から3Dシーンを高速かつ高品質に再現することができる。 テスト時に38FPSでフィードフォワードで再構成を行うニューラルネットワークを学習する。 いくつかの総合、実、マルチカテゴリ、大規模ベンチマークデータセットにおいて、トレーニング中にPSNR、LPIPS、その他のメトリクスでより良い結果を得る。
  論文  参考訳（メタデータ） (2023-12-20T16:14:58Z)
• Differentiable Registration of Images and LiDAR Point Clouds with VoxelPoint-to-Pixel Matching [58.10418136917358]
  カメラからの2D画像とLiDARからの3Dポイントクラウドの間のクロスモダリティ登録は、コンピュータビジョンとロボットトレーニングにおいて重要な課題である。 ニューラルネットワークで学習した点パターンと画素パターンのマッチングによる2次元3次元対応の推定 我々は、異なる潜在画素空間を介して3次元特徴を表現するために、構造化されたモダリティマッチングソルバを学習する。
  論文  参考訳（メタデータ） (2023-12-07T05:46:10Z)
• T-former: An Efficient Transformer for Image Inpainting [50.43302925662507]
  トランスフォーマーと呼ばれる注目に基づくネットワークアーキテクチャのクラスは、自然言語処理の分野で大きなパフォーマンスを示している。 本稿では,Taylorの展開に応じて,解像度に線形に関連付けられた新たな注意を設計し,この注意に基づいて,画像インペイントのためのネットワークである$T$-formerを設計する。 いくつかのベンチマークデータセットの実験により,提案手法は比較的少ないパラメータ数と計算複雑性を維持しつつ,最先端の精度を達成できることが示されている。
  論文  参考訳（メタデータ） (2023-05-12T04:10:42Z)
• Probabilistic Deep Metric Learning for Hyperspectral Image Classification [91.5747859691553]
  本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。 ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。 我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
  論文  参考訳（メタデータ） (2022-11-15T17:57:12Z)
• Saliency Enhancement using Superpixel Similarity [77.34726150561087]
  Saliency Object Detection (SOD) は画像解析にいくつかの応用がある。 深層学習に基づくSOD法は最も効果的であるが、類似した色を持つ前景の部品を見逃すことがある。 スーパーピクセル類似性(SESS)に対するtextitSaliency Enhancement というポストプロセッシング手法を導入する。 我々は,SESSが5つの画像データセット上での3つのディープラーニングに基づくSOD手法の結果を連続的に,かつ著しく改善できることを実証した。
  論文  参考訳（メタデータ） (2021-12-01T17:22:54Z)
• SIN:Superpixel Interpolation Network [9.046310874823002]
  従来のアルゴリズムとディープラーニングベースのアルゴリズムは、スーパーピクセルセグメンテーションにおける2つの主要なストリームである。 本稿では,エンド・ツー・エンド方式で下流タスクと統合可能な深層学習に基づくスーパーピクセルセグメンテーションアルゴリズムSINを提案する。
  論文  参考訳（メタデータ） (2021-10-17T02:21:11Z)
• Superpixel-based Domain-Knowledge Infusion in Computer Vision [0.7349727826230862]
  スーパーピクセルは画像中の高次の知覚的ピクセル群であり、しばしば生のピクセルよりもはるかに多くの情報を運ぶ。 画像の異なるスーパーピクセル間の関係に固有の関係構造が存在する。 この関係情報は、猫画像中の2つの目を表すスーパーピクセル間の関係など、画像に関するある種のドメイン情報を伝達することができる。
  論文  参考訳（メタデータ） (2021-05-20T01:25:42Z)
• Implicit Integration of Superpixel Segmentation into Fully Convolutional Networks [11.696069523681178]
  スーパーピクセル方式をCNNに暗黙的に統合する方法を提案する。 提案手法では,下地層に画素を階層的にグループ化し,スーパーピクセルを生成する。 本手法は,セマンティックセグメンテーション,スーパーピクセルセグメンテーション,モノクル深度推定などのタスクで評価する。
  論文  参考訳（メタデータ） (2021-03-05T02:20:26Z)
• Superpixel Segmentation using Dynamic and Iterative Spanning Forest [0.0]
  以下に、Dynamic ISF(DISF)について述べる。 他のシードベースのスーパーピクセル法と比較すると、DIFは関連する種子を見つける傾向が強い。 また、より効果的なスーパーピクセルデライン化のために、ISFフレームワークに動的アーク重み推定を導入している。
  論文  参考訳（メタデータ） (2020-07-08T16:46:58Z)
• Superpixel Segmentation with Fully Convolutional Networks [32.878045921919714]
  本稿では,通常の画像グリッド上でのスーパーピクセルの予測に完全畳み込みネットワークを用いる新しい手法を提案する。 ベンチマーク・データセットによる実験結果から,提案手法は最先端のスーパーピクセル・セグメンテーション性能を実現することが示された。 ステレオマッチングのための人気のあるネットワークアーキテクチャを改良し、スーパーピクセルと格差を同時に予測する。
  論文  参考訳（メタデータ） (2020-03-29T02:42:07Z)

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。