論文の概要: Point Label Aware Superpixels for Multi-species Segmentation of Underwater Imagery

• arxiv url: http://arxiv.org/abs/2202.13487v1
• Date: Sun, 27 Feb 2022 23:46:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-01 15:42:00.925913
• Title: Point Label Aware Superpixels for Multi-species Segmentation of Underwater Imagery
• Title（参考訳）: 水中画像の多種分割のための点ラベル対応スーパーピクセル
• Authors: Scarlett Raine, Ross Marchant, Brano Kusy, Frederic Maire, Tobias Fischer
• Abstract要約: 水中車両を用いたサンゴ礁のモニタリングは、海洋調査の範囲を増やし、歴史的生態データの入手を可能にしている。 セマンティックセグメンテーションモデルを訓練するために,スーパーピクセル領域内のラベルを伝播する点ラベル認識手法を提案する。 本手法は,UCSDモザイクデータセットにおいて,画素精度が3.62%,ラベル伝搬タスクが平均IoUが8.35%向上した。
• 参考スコア（独自算出の注目度）: 4.195806160139487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Monitoring coral reefs using underwater vehicles increases the range of marine surveys and availability of historical ecological data by collecting significant quantities of images. Analysis of this imagery can be automated using a model trained to perform semantic segmentation, however it is too costly and time-consuming to densely label images for training supervised models. In this letter, we leverage photo-quadrat imagery labeled by ecologists with sparse point labels. We propose a point label aware method for propagating labels within superpixel regions to obtain augmented ground truth for training a semantic segmentation model. Our point label aware superpixel method utilizes the sparse point labels, and clusters pixels using learned features to accurately generate single-species segments in cluttered, complex coral images. Our method outperforms prior methods on the UCSD Mosaics dataset by 3.62% for pixel accuracy and 8.35% for mean IoU for the label propagation task. Furthermore, our approach reduces computation time reported by previous approaches by 76%. We train a DeepLabv3+ architecture and outperform state-of-the-art for semantic segmentation by 2.91% for pixel accuracy and 9.65% for mean IoU on the UCSD Mosaics dataset and by 4.19% for pixel accuracy and 14.32% mean IoU for the Eilat dataset.
• Abstract（参考訳）: 水中車両を用いたサンゴ礁のモニタリングは、大量の画像を収集し、海洋調査と歴史的生態データの入手範囲を増大させる。 この画像の解析はセマンティックセグメンテーションを実行するために訓練されたモデルを用いて自動化することができるが、教師付きモデルのトレーニングには高密度にラベル付けするにはコストがかかりすぎる。 この手紙では、疎点ラベルを持つ生態学者がラベル付けしたフォトクアドレート画像を活用する。 セマンティックセグメンテーションモデルを訓練するために,スーパーピクセル領域内のラベルを伝播する点ラベル認識手法を提案する。 我々の点ラベル認識スーパーピクセル法はスパース点ラベルと、学習した特徴を用いたクラスタピクセルを用いて、散在する複雑なサンゴ画像の単一種セグメントを正確に生成する。 本手法は,UCSDモザイクデータセットにおいて,画素精度が3.62%,ラベル伝搬タスクが平均IoUが8.35%向上した。 さらに,従来の手法による計算時間を76%削減した。 我々はDeepLabv3+アーキテクチャをトレーニングし、セマンティックセグメンテーションの最先端を2.91%、UCSD Mosaicsデータセットで平均IoUが9.65%、ピクセル精度が4.19%、Eylatデータセットで平均IoUが14.32%で上回っている。

関連論文リスト

• Semi-Supervised Segmentation via Embedding Matching [0.8896991256227597]
  深層畳み込みニューラルネットワークは医用画像セグメンテーションで広く使われているが、訓練には多くのラベル付き画像を必要とする。 本稿では,ほとんどラベルのない画像とラベル付き画像の小さなセットをトレーニングで活用する,新しい半教師付きセグメンテーション手法を提案する。 提案手法はハースドルフの95番目のパーセンタイル (HD95) と0.929のイオウ (IoU) で、HD95 (4.07) とイオウ (0.927) を最短で上回った。
  論文  参考訳（メタデータ） (2024-07-05T16:49:21Z)
• Human-in-the-Loop Segmentation of Multi-species Coral Imagery [3.3564744382205127]
  ポイントラベルの伝搬は、スパースポイントでラベル付けされた既存の画像を使用して、強化された地上真実データを生成する技術である。 大規模基盤モデルの最近の進歩により, 強化された地中真実マスクの作成が促進されていることを示す。 本稿では,アノテーションの効率を大幅に向上させる,Human-in-the-loop原則に基づくラベリング手法を提案する。
  論文  参考訳（メタデータ） (2024-04-15T01:47:44Z)
• Learning Semantic Segmentation with Query Points Supervision on Aerial Images [57.09251327650334]
  セマンティックセグメンテーションアルゴリズムを学習するための弱教師付き学習アルゴリズムを提案する。 提案手法は正確なセマンティックセグメンテーションを行い,手作業のアノテーションに要するコストと時間を大幅に削減することで効率を向上する。
  論文  参考訳（メタデータ） (2023-09-11T14:32:04Z)
• CorrMatch: Label Propagation via Correlation Matching for Semi-Supervised Semantic Segmentation [73.89509052503222]
  本稿では、CorrMatchと呼ばれる、単純だが実行可能な半教師付きセマンティックセマンティックセマンティックセマンティクス手法を提案する。 相関写像は、同一カテゴリのクラスタリングピクセルを容易に実現できるだけでなく、良好な形状情報も含んでいることを観察する。 我々は,高信頼画素を拡大し,さらに掘り出すために,画素の対の類似性をモデル化して画素伝搬を行う。 そして、相関地図から抽出した正確なクラス非依存マスクを用いて、領域伝搬を行い、擬似ラベルを強化する。
  論文  参考訳（メタデータ） (2023-06-07T10:02:29Z)
• 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)
• Unsupervised Domain Adaptation with Contrastive Learning for OCT Segmentation [49.59567529191423]
  本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。 教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
  論文  参考訳（メタデータ） (2022-03-07T19:02:26Z)
• Aerial Scene Parsing: From Tile-level Scene Classification to Pixel-wise Semantic Labeling [48.30060717413166]
  航空画像が与えられた場合、空中シーン解析(ASP)は、画像の各ピクセルにセマンティックラベルを割り当てることで、画像内容の意味構造を解釈する。 本稿では,Mario-AIDと呼ばれる100万件の航空画像を含む大規模シーン分類データセットを提案する。 また,古典的畳み込みニューラルネットワーク(CNN)を用いたベンチマーク実験を行い,ピクセルワイドなセマンティックラベリングを実現する。
  論文  参考訳（メタデータ） (2022-01-06T07:40:47Z)
• GeoCLR: Georeference Contrastive Learning for Efficient Seafloor Image Interpretation [8.837172743444249]
  本稿では,CNNの効率的な学習のためのジオリフレクション・コントラシティブ・ラーニング・オブ・ビジュアル・リ表現(GeoCLR)について述べる。 GeoCLRは、近くで撮影された画像を使って類似した画像ペアを生成し、これらを遠く離れた画像ペアと対比する。 この方法の主な利点は、CNN訓練に人的入力を必要としない自己教師型であることである。 我々はGeoCLRによって生成された潜在表現がどのように人間のアノテーションの取り組みを効率的に導くことができるかを実証する。
  論文  参考訳（メタデータ） (2021-08-13T22:42:34Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)

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。