論文の概要: Consistency-Regularized Region-Growing Network for Semantic Segmentation
of Urban Scenes with Point-Level Annotations
- arxiv url: http://arxiv.org/abs/2202.03740v1
- Date: Tue, 8 Feb 2022 09:27:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-09 15:30:00.807490
- Title: Consistency-Regularized Region-Growing Network for Semantic Segmentation
of Urban Scenes with Point-Level Annotations
- Title（参考訳）: ポイントレベルアノテーションを用いた都市景観意味セグメンテーションのための一貫性正規化地域成長ネットワーク
- Authors: Yonghao Xu and Pedram Ghamisi
- Abstract要約: アノテーションの負担を軽減するために,整合性規則化領域成長ネットワーク(CRGNet)を提案する。
CRGNetは、アノテート領域を元のスパースポイントから拡張するために、信頼度の高いラベル付き画素を反復的に選択する。
このような単純な正規化戦略は、領域の成長するメカニズムの品質を制御するのに非常に有用である。
- 参考スコア（独自算出の注目度）: 17.13291434132985
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning algorithms have obtained great success in semantic segmentation
of very high-resolution (VHR) images. Nevertheless, training these models
generally requires a large amount of accurate pixel-wise annotations, which is
very laborious and time-consuming to collect. To reduce the annotation burden,
this paper proposes a consistency-regularized region-growing network (CRGNet)
to achieve semantic segmentation of VHR images with point-level annotations.
The key idea of CRGNet is to iteratively select unlabeled pixels with high
confidence to expand the annotated area from the original sparse points.
However, since there may exist some errors and noises in the expanded
annotations, directly learning from them may mislead the training of the
network. To this end, we further propose the consistency regularization
strategy, where a base classifier and an expanded classifier are employed.
Specifically, the base classifier is supervised by the original sparse
annotations, while the expanded classifier aims to learn from the expanded
annotations generated by the base classifier with the region-growing mechanism.
The consistency regularization is thereby achieved by minimizing the
discrepancy between the predictions from both the base and the expanded
classifiers. We find such a simple regularization strategy is yet very useful
to control the quality of the region-growing mechanism. Extensive experiments
on two benchmark datasets demonstrate that the proposed CRGNet significantly
outperforms the existing state-of-the-art methods. Codes and pre-trained models
will be available online.
- Abstract（参考訳）: 深層学習アルゴリズムは、超高解像度(vhr)画像の意味セグメンテーションにおいて大きな成功を収めている。
それでも、これらのモデルのトレーニングには、一般的に大量の正確なピクセル単位のアノテーションが必要である。
アノテーションの負担を軽減するため,ポイントレベルのアノテーションを用いたVHR画像のセマンティックセグメンテーションを実現するために,一貫性調整型領域成長ネットワーク(CRGNet)を提案する。
crgnetの鍵となるアイデアは、ラベルのないピクセルを反復的に選択し、元のスパースポイントから注釈領域を広げることである。
しかし、拡張アノテーションには誤りやノイズがある可能性があるため、直接学習することでネットワークのトレーニングを誤解させる可能性がある。
そこで本研究では,ベース分類器と拡張分類器を併用した一貫性正規化戦略を提案する。
具体的には、ベース分類器は元のスパースアノテーションによって管理され、拡張された分類器は、ベース分類器が生成した拡張アノテーションから地域拡大メカニズムを学習することを目的としている。
これにより、ベースと拡張された分類器との差を最小限にして整合正則化を実現する。
このような単純な正規化戦略は、地域成長メカニズムの品質を制御するのに非常に有用である。
2つのベンチマークデータセットに対する大規模な実験は、提案されたCRGNetが既存の最先端の手法を大幅に上回っていることを示している。
コードと事前訓練されたモデルはオンラインで利用できる。
関連論文リスト
- CPR++: Object Localization via Single Coarse Point Supervision [55.8671776333499]
粗い点修正(CPR)は、アルゴリズムの観点からの意味的分散を緩和する最初の試みである。
CPRは、アノテートされた最初のポイントを置き換えるために、近隣地域のセマンティックセンターポイントを選択することで意味のばらつきを減らす。
CPR++は、スケール情報を取得し、グローバル領域における意味的分散をさらに低減することができる。
論文 参考訳（メタデータ） (2024-01-30T17:38:48Z) - Weakly Supervised Semantic Segmentation by Knowledge Graph Inference [11.056545020611397]
本稿では、Wakly Supervised Semantic (WSSS)を強化するグラフ推論に基づくアプローチを提案する。
本研究の目的は,マルチラベル分類とセグメンテーションネットワークの段階を同時に拡張することで,WSSSを全体的改善することである。
PASCAL VOC 2012およびMS-COCOデータセット上でWSSSの最先端性能を達成した。
論文 参考訳（メタデータ） (2023-09-25T11:50:19Z) - Scalable Learning of Latent Language Structure With Logical Offline
Cycle Consistency [71.42261918225773]
概念的には、LOCCOは、トレーニング対象のセマンティクスを使用してラベルなしテキストのアノテーションを生成する、自己学習の一形態と見なすことができる。
追加ボーナスとして、LOCCOによって生成されたアノテーションは、神経テキスト生成モデルをトレーニングするために自明に再利用することができる。
論文 参考訳（メタデータ） (2023-05-31T16:47:20Z) - DeepCut: Unsupervised Segmentation using Graph Neural Networks
Clustering [6.447863458841379]
本研究では,従来のクラスタリング手法を置き換える軽量グラフニューラルネットワーク(GNN)を提案する。
既存の手法とは異なり、GNNはローカル画像特徴と生特徴とのペアワイズ親和性の両方を入力として取ります。
画像セグメンテーションGNNを訓練するための自己教師付き損失関数として,古典的クラスタリングの目的を定式化する方法を実証する。
論文 参考訳（メタデータ） (2022-12-12T12:31:46Z) - Semantic Segmentation by Early Region Proxy [53.594035639400616]
本稿では,学習可能な領域のテッセルレーションとしてイメージを解釈することから始まる,新規で効率的なモデリングについて述べる。
領域のコンテキストをモデル化するために,Transformerを用いてシーケンス・ツー・シーケンス方式で領域を符号化する。
現在、符号化された領域埋め込みの上に、領域ごとのセマンティックセグメンテーションを行う。
論文 参考訳（メタデータ） (2022-03-26T10:48:32Z) - Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。
SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。
その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
論文 参考訳（メタデータ） (2021-12-15T09:50:25Z) - Neural Pruning via Growing Regularization [82.9322109208353]
プルーニングの2つの中心的な問題:プルーニングのスケジュールと重み付けの重要度だ。
具体的には, ペナルティ要因が増大するL2正規化変種を提案し, 精度が著しく向上することを示した。
提案アルゴリズムは,構造化プルーニングと非構造化プルーニングの両方において,大規模データセットとネットワークの実装が容易かつスケーラブルである。
論文 参考訳（メタデータ） (2020-12-16T20:16:28Z) - Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。
画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。
特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
論文 参考訳（メタデータ） (2020-12-09T12:40:13Z) - 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)
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。