論文の概要: Unsupervised Deep Learning Meets Chan-Vese Model

• arxiv url: http://arxiv.org/abs/2204.06951v1
• Date: Thu, 14 Apr 2022 13:23:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-15 13:41:58.741007
• Title: Unsupervised Deep Learning Meets Chan-Vese Model
• Title（参考訳）: 教師なしのディープラーニングがChan-Veseモデルに到達
• Authors: Dihan Zheng, Chenglong Bao, Zuoqiang Shi, Haibin Ling, Kaisheng Ma
• Abstract要約: 本稿では,Chan-Vese(CV)モデルとディープニューラルネットワークを統合した教師なしのイメージセグメンテーション手法を提案する。 私たちの基本的な考え方は、イメージを潜伏空間にマッピングするディープニューラルネットワークを適用して、画像空間における断片的な定数仮定の違反を軽減することです。
• 参考スコア（独自算出の注目度）: 77.24463525356566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Chan-Vese (CV) model is a classic region-based method in image segmentation. However, its piecewise constant assumption does not always hold for practical applications. Many improvements have been proposed but the issue is still far from well solved. In this work, we propose an unsupervised image segmentation approach that integrates the CV model with deep neural networks, which significantly improves the original CV model's segmentation accuracy. Our basic idea is to apply a deep neural network that maps the image into a latent space to alleviate the violation of the piecewise constant assumption in image space. We formulate this idea under the classic Bayesian framework by approximating the likelihood with an evidence lower bound (ELBO) term while keeping the prior term in the CV model. Thus, our model only needs the input image itself and does not require pre-training from external datasets. Moreover, we extend the idea to multi-phase case and dataset based unsupervised image segmentation. Extensive experiments validate the effectiveness of our model and show that the proposed method is noticeably better than other unsupervised segmentation approaches.
• Abstract（参考訳）: Chan-Vese(CV)モデルは、イメージセグメンテーションにおける古典的な領域ベースの手法である。 しかし、その一貫した仮定は実用的応用に対して常に成り立つとは限らない。 多くの改善が提案されているが、問題はまだ解決されていない。 本研究では,CVモデルとディープニューラルネットワークを統合した教師なし画像分割手法を提案する。 私たちの基本的なアイデアは、イメージを潜在空間にマッピングして、画像空間における分割的な定数仮定の違反を緩和するディープニューラルネットワークを適用することです。 我々は、この概念を古典的なベイズ的枠組みの下で定式化し、cvモデルに先行項を保ちながらエビデンス下限項(elbo)を近似する。 したがって、我々のモデルは入力画像自体が必要であり、外部データセットからの事前トレーニングを必要としない。 さらに,マルチフェーズケースと,教師なし画像セグメンテーションに基づくデータセットに拡張する。 本モデルの有効性を検証し,提案手法が他の教師なしセグメンテーション手法よりも顕著に優れていることを示す。

関連論文リスト

• Effort: Efficient Orthogonal Modeling for Generalizable AI-Generated Image Detection [66.16595174895802]
  既存のAI生成画像(AIGI)検出手法は、しばしば限定的な一般化性能に悩まされる。 本稿では、AIGI検出において、これまで見過ごされてきた重要な非対称性現象を同定する。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• UnSeg: One Universal Unlearnable Example Generator is Enough against All Image Segmentation [64.01742988773745]
  未承認のプライベートデータ上での大規模なイメージセグメンテーションモデルのトレーニングに関して、プライバシーに関する懸念が高まっている。 我々は、学習不可能な例の概念を利用して、学習不可能なノイズを原画像に生成し、付加することにより、モデルトレーニングに使用不能な画像を作成する。 6つのメインストリームイメージセグメンテーションタスク、10つの広く使われているデータセット、7つの異なるネットワークアーキテクチャでUnSegの有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2024-10-13T16:34:46Z)
• Hybrid diffusion models: combining supervised and generative pretraining for label-efficient fine-tuning of segmentation models [55.2480439325792]
  そこで本研究では,第1領域における画像のデノベーションとマスク予測を同時に行うことを目的とした,新しいプレテキストタスクを提案する。 提案手法を用いて事前学習したモデルを微調整すると、教師なしまたは教師なしの事前学習を用いて訓練した類似モデルの微調整よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-08-06T20:19:06Z)
• FreeSeg-Diff: Training-Free Open-Vocabulary Segmentation with Diffusion Models [56.71672127740099]
  我々は,閉鎖語彙データセットのトレーニングモデルによって伝統的に解決されるイメージセグメンテーションの課題に焦点をあてる。 我々は、ゼロショットのオープン語彙セグメンテーションのために、異なる、比較的小さなオープンソース基盤モデルを活用している。 当社のアプローチ(別名FreeSeg-Diff)は、トレーニングに依存しないもので、Pascal VOCとCOCOデータセットの両方で多くのトレーニングベースのアプローチより優れています。
  論文  参考訳（メタデータ） (2024-03-29T10:38:25Z)
• Hierarchical Uncertainty Estimation for Medical Image Segmentation Networks [1.9564356751775307]
  不確実性は、モデルトレーニングに使用される画像(ノイズ)と手動アノテーション(ヒューマンエラーとバイアス)の両方に存在する。 本稿では,複数のレベルで不確かさを推定する簡易かつ効果的な手法を提案する。 U-netのようなディープラーニングセグメンテーションネットワークは,高いセグメンテーション性能を実現することができることを示す。
  論文  参考訳（メタデータ） (2023-08-16T16:09:23Z)
• A Deep Active Contour Model for Delineating Glacier Calving Fronts [17.061463565692456]
  近年の研究では、エッジ検出とセグメンテーションを組み合わせることで、前部検出器の加工精度が向上することが示されている。 中間段階として高密度な予測を組み込まない明示的輪郭検出モデルを提案する。 提案手法はCOBRA(Charting Outlines by Recurrent Adaptation')と呼ばれ、特徴抽出のための畳み込みニューラルネットワーク(CNN)と、デラインのためのアクティブな輪郭モデルを組み合わせたものである。
  論文  参考訳（メタデータ） (2023-07-07T08:45:46Z)
• Estimating Appearance Models for Image Segmentation via Tensor Factorization [0.0]
  本稿では,画像からの外観モデルを直接推定する手法を提案する。 本手法は,潜時変モデルに対するテンソル分解に基づく推定器への入力として,画像からの局所的な高次色統計値を用いる。 このアプローチは、マルチリージョン画像のモデルを推定し、事前のユーザインタラクションなしで自動的にリージョン比を出力することができる。
  論文  参考訳（メタデータ） (2022-08-16T17:21:00Z)
• Co-Training for Unsupervised Domain Adaptation of Semantic Segmentation Models [0.0]
  セマンティックセグメンテーションモデルの合成-実 UDA のための新しい協調学習法を提案する。 共同トレーニングでは,mIoUの15～20ポイントがベースライン上で改善されている。
  論文  参考訳（メタデータ） (2022-05-31T13:30:36Z)
• 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)

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。