論文の概要: Iterative, Deep Synthetic Aperture Sonar Image Segmentation
- arxiv url: http://arxiv.org/abs/2203.15082v1
- Date: Mon, 28 Mar 2022 20:41:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-01 09:10:06.508147
- Title: Iterative, Deep Synthetic Aperture Sonar Image Segmentation
- Title（参考訳）: 反復的, ディープ・シンセティック・アパーチャ・ソナー画像分割法
- Authors: Yung-Chen Sun, Isaac D. Gerg, and Vishal Monga
- Abstract要約: SAS画像セグメンテーションのための非教師なし学習フレームワークIterative Deep Unsupervised (IDUS)を提案する。
IDUSは,1)ディープネットワークのクラス割り当てを推定する,2)ディープネットワークからの低レベルの画像特徴をスーパーピクセルにクラスタ化する,3)スーパーピクセルをクラス割り当てにクラスタ化する,4)ディープネットワーク予測の損失バックプロパゲーションに擬似ラベルを使用する,の4つのステップに分けることができる。
SAS画像セグメンテーションのための現実的なベンチマークデータセットにおけるIDUSと最先端手法の比較は,提案手法の利点を実証するものである。
- 参考スコア（独自算出の注目度）: 21.319490900396474
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Synthetic aperture sonar (SAS) systems produce high-resolution images of the
seabed environment. Moreover, deep learning has demonstrated superior ability
in finding robust features for automating imagery analysis. However, the
success of deep learning is conditioned on having lots of labeled training
data, but obtaining generous pixel-level annotations of SAS imagery is often
practically infeasible. This challenge has thus far limited the adoption of
deep learning methods for SAS segmentation. Algorithms exist to segment SAS
imagery in an unsupervised manner, but they lack the benefit of
state-of-the-art learning methods and the results present significant room for
improvement. In view of the above, we propose a new iterative algorithm for
unsupervised SAS image segmentation combining superpixel formation, deep
learning, and traditional clustering methods. We call our method Iterative Deep
Unsupervised Segmentation (IDUS). IDUS is an unsupervised learning framework
that can be divided into four main steps: 1) A deep network estimates class
assignments. 2) Low-level image features from the deep network are clustered
into superpixels. 3) Superpixels are clustered into class assignments (which we
call pseudo-labels) using $k$-means. 4) Resulting pseudo-labels are used for
loss backpropagation of the deep network prediction. These four steps are
performed iteratively until convergence. A comparison of IDUS to current
state-of-the-art methods on a realistic benchmark dataset for SAS image
segmentation demonstrates the benefits of our proposal even as the IDUS incurs
a much lower computational burden during inference (actual labeling of a test
image). Finally, we also develop a semi-supervised (SS) extension of IDUS
called IDSS and demonstrate experimentally that it can further enhance
performance while outperforming supervised alternatives that exploit the same
labeled training imagery.
- Abstract（参考訳）: 合成開口ソナー(SAS)システムは海底環境の高解像度画像を生成する。
さらに、ディープラーニングは、画像分析を自動化するための堅牢な特徴を見つける上で優れた能力を示している。
しかし、深層学習の成功は、ラベル付きトレーニングデータが多くあることを前提としているが、SAS画像の寛大なピクセルレベルのアノテーションを得ることは、事実上不可能であることが多い。
この課題は、SASセグメンテーションのためのディープラーニング手法の採用をこれまで制限してきた。
SASイメージを教師なしで分割するアルゴリズムは存在するが、最先端の学習手法の利点が欠けており、その結果は改善の余地がかなりある。
本稿では,スーパーピクセル形成,深層学習,従来のクラスタリング手法を組み合わせた,教師なしSAS画像分割のための新しい反復アルゴリズムを提案する。
我々はこの手法を反復的非教師なしセグメンテーション (idus) と呼ぶ。
IDUSは教師なし学習フレームワークであり、次の4つのステップに分けられる。
1)深層ネットワークはクラス割り当てを推定する。
2) 深層ネットワークの低レベル画像特徴をスーパーピクセルにクラスタ化する。
3) スーパーピクセルは$k$-meansを使ってクラス割り当て(擬似ラベルと呼ぶ)にクラスタ化されます。
4) 深層ネットワーク予測の損失バックプロパゲーションには擬似ラベルが使用される。
これら4つのステップは収束するまで反復的に実行される。
SAS画像セグメンテーションのための現実的なベンチマークデータセット上で、IDUSと現在の最先端手法の比較は、IDUSが推論(テスト画像の実際のラベル付け)中にはるかに少ない計算負担を発生させたとしても、提案手法の利点を示す。
最後に、IDUSのIDSSと呼ばれる半教師付き拡張(SS)も開発し、同じラベル付きトレーニング画像を利用する教師付き代替画像よりも性能を向上できることを示した。
関連論文リスト
- 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) - A Dual-branch Self-supervised Representation Learning Framework for
Tumour Segmentation in Whole Slide Images [12.961686610789416]
自己教師付き学習(SSL)は、スライドイメージ全体のアノテーションオーバーヘッドを低減する代替ソリューションとして登場した。
これらのSSLアプローチは、識別画像の特徴を学習する際の性能を制限するマルチレゾリューションWSIを扱うために設計されていない。
マルチ解像度WSIから画像特徴を効果的に学習できるDSF-WSI(Dual-branch SSL Framework for WSI tumour segmentation)を提案する。
論文 参考訳（メタデータ） (2023-03-20T10:57:28Z) - Learning Self-Supervised Low-Rank Network for Single-Stage Weakly and
Semi-Supervised Semantic Segmentation [119.009033745244]
本稿では,単一段階弱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(WSSS)と半教師付きセマンティクスセマンティクスセマンティクス(SSSS)のための自己教師付き低ランクネットワーク(SLRNet)を提案する。
SLRNetは、画像の異なるビューから複数の注意深いLR表現を同時に予測し、正確な擬似ラベルを学習する。
Pascal VOC 2012、COCO、L2IDデータセットの実験では、SLRNetは最先端のWSSSメソッドとSSSSメソッドの両方で、さまざまな設定で優れています。
論文 参考訳（メタデータ） (2022-03-19T09:19:55Z) - Semantic-Aware Generation for Self-Supervised Visual Representation
Learning [116.5814634936371]
セマンティック・アウェア・ジェネレーション(SaGe)は、生成した画像に保存される詳細よりも、よりリッチなセマンティクスを促進する。
SaGeは、ターゲットネットワークをビュー特有の特徴で補完することで、集中的なデータ拡張によって引き起こされるセマンティックな劣化を軽減する。
我々は、ImageNet-1K上でSaGeを実行し、近接検定、線形分類、微視的画像認識を含む5つの下流タスクで事前訓練されたモデルを評価する。
論文 参考訳（メタデータ） (2021-11-25T16:46:13Z) - Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with
Self-Supervised Depth Estimation [94.16816278191477]
本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。
ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。
提案したモデルをCityscapesデータセット上で検証する。
論文 参考訳（メタデータ） (2021-08-28T01:33:38Z) - Iterative, Deep, and Unsupervised Synthetic Aperture Sonar Image
Segmentation [29.435946984214937]
SAS画像セグメンテーションのための深い特徴を学習するための新しい反復的教師なしアルゴリズムを提案する。
その結果,提案手法の性能は,SAS画像分割における現在の最先端手法よりもかなり優れていることがわかった。
論文 参考訳（メタデータ） (2021-07-30T11:37:33Z) - AugNet: End-to-End Unsupervised Visual Representation Learning with
Image Augmentation [3.6790362352712873]
我々は、未ラベル画像の集合から画像特徴を学習するための新しいディープラーニングトレーニングパラダイムであるAugNetを提案する。
実験により,低次元空間における画像の表現が可能であることを実証した。
多くのディープラーニングベースの画像検索アルゴリズムとは異なり、我々のアプローチは外部アノテーション付きデータセットへのアクセスを必要としない。
論文 参考訳（メタデータ） (2021-06-11T09:02:30Z) - Large-scale Unsupervised Semantic Segmentation [163.3568726730319]
本稿では, 大規模無教師付きセマンティックセマンティックセグメンテーション (LUSS) の新たな課題を提案する。
ImageNetデータセットに基づいて、120万のトレーニング画像と40万の高品質なセマンティックセグメンテーションアノテーションを用いた画像Net-Sデータセットを提案する。
論文 参考訳（メタデータ） (2021-06-06T15:02:11Z) - Structural Prior Driven Regularized Deep Learning for Sonar Image
Classification [28.306713374371814]
深層学習は合成開口ソナー(SAS)画像分類の領域での性能を向上させることが示されている。
近年のディープラーニングの成功にもかかわらず、高い誤報率を下げる上で、魅力的なオープンな課題がまだ残っている。
我々は,事前知識を取り入れた新しいディープラーニングアーキテクチャを導入し,自動目標認識の改善を目指す。
論文 参考訳（メタデータ） (2020-10-26T04:00:46Z) - SCAN: Learning to Classify Images without Labels [73.69513783788622]
機能学習とクラスタリングを分離する2段階のアプローチを提唱する。
表現学習からの自己教師型タスクを用いて意味論的意味のある特徴を得る。
我々は、ImageNet上で有望な結果を得、低データ体制下では、いくつかの半教師付き学習方法より優れています。
論文 参考訳（メタデータ） (2020-05-25T18:12:33Z)
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。