Fugu-MT 論文翻訳(概要): One-Stage Deep Edge Detection Based on Dense-Scale Feature Fusion and Pixel-Level Imbalance Learning

論文の概要: One-Stage Deep Edge Detection Based on Dense-Scale Feature Fusion and Pixel-Level Imbalance Learning

arxiv url: http://arxiv.org/abs/2203.09387v1
Date: Thu, 17 Mar 2022 15:26:00 GMT
ステータス: 処理完了
システム内更新日: 2022-03-18 15:25:27.725766
Title: One-Stage Deep Edge Detection Based on Dense-Scale Feature Fusion and Pixel-Level Imbalance Learning
Title（参考訳）: Dense-Scale Feature FusionとPixel-Level不均衡学習に基づく一段階深度検出
Authors: Dawei Dai, Chunjie Wang, Shuyin Xia, Yingge Liu, Guoyin Wang
Abstract要約: 後処理なしで高品質なエッジ画像を生成することができる一段階ニューラルネットワークモデルを提案する。提案モデルでは、トレーニング済みのニューラルモデルをエンコーダとして使用する古典的なエンコーダデコーダフレームワークを採用している。本稿では,エッジ画像の画素レベルの不均衡に対処する新たな損失関数を提案する。
参考スコア（独自算出の注目度）: 5.370848116287344
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Edge detection, a basic task in the field of computer vision, is an important preprocessing operation for the recognition and understanding of a visual scene. In conventional models, the edge image generated is ambiguous, and the edge lines are also very thick, which typically necessitates the use of non-maximum suppression (NMS) and morphological thinning operations to generate clear and thin edge images. In this paper, we aim to propose a one-stage neural network model that can generate high-quality edge images without postprocessing. The proposed model adopts a classic encoder-decoder framework in which a pre-trained neural model is used as the encoder and a multi-feature-fusion mechanism that merges the features of each level with each other functions as a learnable decoder. Further, we propose a new loss function that addresses the pixel-level imbalance in the edge image by suppressing the false positive (FP) edge information near the true positive (TP) edge and the false negative (FN) non-edge. The results of experiments conducted on several benchmark datasets indicate that the proposed method achieves state-of-the-art results without using NMS and morphological thinning operations.
Abstract（参考訳）: エッジ検出はコンピュータビジョンの分野における基本的なタスクであり、視覚シーンの認識と理解のための重要な前処理操作である。従来のモデルでは、生成したエッジ画像はあいまいであり、エッジラインも非常に厚く、通常、鮮明で薄いエッジ画像を生成するために、非最大抑圧(NMS)と形態的縮小操作を必要とする。本稿では,ポストプロセッシングをすることなく高品質なエッジ画像を生成する1段階ニューラルネットワークモデルを提案する。提案手法では,プリトレーニングニューラルネットワークをエンコーダとして使用する古典的なエンコーダ・デコーダフレームワークと,学習可能なデコーダとして各レベルの特徴を融合するマルチ機能融合機構を採用する。さらに、真正(TP)エッジ近傍の偽正(FP)エッジ情報と偽負(FN)非エッジを抑えることにより、エッジ画像の画素レベルの不均衡に対処する新たな損失関数を提案する。複数のベンチマークデータセットで行った実験の結果から,提案手法はnmsや形態的薄型化操作を用いずに最先端の結果が得られることがわかった。

関連論文リスト

Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文参考訳（メタデータ） (2024-08-28T10:07:17Z)
Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文参考訳（メタデータ） (2023-10-11T12:46:11Z)
Pixel-Inconsistency Modeling for Image Manipulation Localization [59.968362815126326]
デジタル画像法医学は、画像認証と操作のローカライゼーションにおいて重要な役割を果たす。本稿では,画素不整合アーチファクトの解析を通じて,一般化されたロバストな操作ローカライゼーションモデルを提案する。実験により,本手法は固有の画素不整合偽指紋を抽出することに成功した。
論文参考訳（メタデータ） (2023-09-30T02:54:51Z)
PRISTA-Net: Deep Iterative Shrinkage Thresholding Network for Coded Diffraction Patterns Phase Retrieval [6.982256124089]
位相検索は、計算画像および画像処理における非線型逆問題である。我々は,1次反復しきい値しきい値アルゴリズム(ISTA)に基づく深層展開ネットワークであるPRISTA-Netを開発した。非線形変換,しきい値,ステップサイズなど,提案するPRISTA-Netフレームワークのパラメータはすべて,設定されるのではなく,エンドツーエンドで学習される。
論文参考訳（メタデータ） (2023-09-08T07:37:15Z)
Single Image Depth Prediction Made Better: A Multivariate Gaussian Take [163.14849753700682]
本稿では,画素ごとの深度を連続的にモデル化する手法を提案する。提案手法の精度(MG)は,KITTI深度予測ベンチマークリーダーボードの上位に位置する。
論文参考訳（メタデータ） (2023-03-31T16:01:03Z)
ISSTAD: Incremental Self-Supervised Learning Based on Transformer for Anomaly Detection and Localization [12.975540251326683]
本稿では,Transformerのバックボーンネットワークに基づく新しいアプローチを提案する。通常の画像のみに基づいてMasked Autoencoder(MAE)モデルを訓練する。その後の段階では、劣化した正規画像を生成するためにピクセルレベルのデータ拡張技術を適用する。このプロセスにより、モデルは破損した領域の修復方法を学び、各ピクセルの状態を分類できる。
論文参考訳（メタデータ） (2023-03-30T13:11:26Z)
Hyperspectral Remote Sensing Image Classification Based on Multi-scale Cross Graphic Convolution [20.42582692786715]
マルチスケール機能マイニング学習アルゴリズム(MGRNet)を提案する。 MGRNetは、主成分分析を用いて、元のハイパースペクトル画像(HSI)の次元を減少させ、その意味情報の99.99%を保持する。 3つの一般的なハイパースペクトルデータセットの実験により,本論文で提案したMGRNetアルゴリズムは,認識精度において従来の手法よりも優れていることが示された。
論文参考訳（メタデータ） (2021-06-28T15:28:09Z)
Blind microscopy image denoising with a deep residual and multiscale encoder/decoder network [0.0]
深層マルチスケール畳み込みエンコーダデコーダニューラルネットワークを提案する。提案されたモデルは、PSNRの平均38.38、SSIMの0.98の57458画像セットに到達した。
論文参考訳（メタデータ） (2021-05-01T14:54:57Z)
Image Inpainting with Edge-guided Learnable Bidirectional Attention Maps [85.67745220834718]
不規則な穴の画像インペインティングを改善するためのエッジガイド学習可能な双方向注意マップ(Edge-LBAM)を紹介します。当社のEdge-LBAMメソッドには、予測エッジによる構造認識マスク更新を含むデュアルプロシージャが含まれています。広範な実験により,エッジlbamはコヒーレントな画像構造を生成し,色差やぼやけを防止できることがわかった。
論文参考訳（メタデータ） (2021-04-25T07:25:16Z)
Hierarchical Convolutional Neural Network with Feature Preservation and Autotuned Thresholding for Crack Detection [5.735035463793008]
ドローンの画像はインフラ表面の欠陥の自動検査にますます使われている。本稿では,階層型畳み込みニューラルネットワークを用いた深層学習手法を提案する。提案手法は, 道路, 橋, 舗装の表面ひび割れの同定に応用されている。
論文参考訳（メタデータ） (2021-04-21T13:07:58Z)
DWDN: Deep Wiener Deconvolution Network for Non-Blind Image Deblurring [66.91879314310842]
本稿では,古典的なWienerデコンボリューションフレームワークを学習深い特徴と統合することにより,特徴空間における明示的なデコンボリューションプロセスを提案する。マルチスケールのカスケード機能改善モジュールは、分離された深い特徴から退色画像を予測する。提案したDeep Wienerデコンボリューションネットワークは,目に見える成果物が少なく,かつ,最先端の非盲点画像デコンボリューション手法を広いマージンで定量的に上回っていることを示す。
論文参考訳（メタデータ） (2021-03-18T00:38:11Z)

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。