論文の概要: A comparative study of attention mechanism and generative adversarial
network in facade damage segmentation
- arxiv url: http://arxiv.org/abs/2209.13283v1
- Date: Tue, 27 Sep 2022 09:59:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 16:28:45.472362
- Title: A comparative study of attention mechanism and generative adversarial
network in facade damage segmentation
- Title（参考訳）: ファサード損傷セグメンテーションにおける注意機構と生成的逆ネットワークの比較研究
- Authors: Fangzheng Lin (1 and 3), Jiesheng Yang (1), Jiangpeng Shu (2), Raimar
J. Scherer (3) ((1) Institute of Construction Informatics, Dresden University
of Technology, (2) Collage of Civil Engineering and Architecture, Zhejiang
University, (3) Deep Learning Center, Changzhou Microintelligence Co., Ltd.)
- Abstract要約: 意味的セグメンテーションの質を向上させるための最も一般的な戦略は、注意機構と生成的敵ネットワークである。
本稿では,代表的な畳み込みニューラルネットワークであるU-netを一次ネットワークとして採用し,二つのステップで比較研究を行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semantic segmentation profits from deep learning and has shown its
possibilities in handling the graphical data from the on-site inspection. As a
result, visual damage in the facade images should be detected. Attention
mechanism and generative adversarial networks are two of the most popular
strategies to improve the quality of semantic segmentation. With specific
focuses on these two strategies, this paper adopts U-net, a representative
convolutional neural network, as the primary network and presents a comparative
study in two steps. First, cell images are utilized to respectively determine
the most effective networks among the U-nets with attention mechanism or
generative adversarial networks. Subsequently, selected networks from the first
test and their combination are applied for facade damage segmentation to
investigate the performances of these networks. Besides, the combined effect of
the attention mechanism and the generative adversarial network is discovered
and discussed.
- Abstract（参考訳）: セマンティックセグメンテーションはディープラーニングから利益を得ており、オンサイト検査からグラフィカルデータを扱う可能性を示している。
その結果、ファサード画像の視覚的損傷を検出する必要がある。
アテンション機構と生成的敵ネットワークは、意味セグメンテーションの品質を改善するための最も一般的な2つの戦略である。
本稿では,これら2つの戦略に特に焦点をあて,代表的な畳み込みニューラルネットワークであるu-netをプライマリネットワークとして採用し,二つのステップで比較研究を行う。
まず, セルイメージを用いて, 注目機構を有するU-net間の最も効果的なネットワークをそれぞれ決定する。
続いて、第1試験およびそれらの組み合わせから選択されたネットワークをファサード損傷セグメント化に適用し、これらのネットワークの性能を調べる。
さらに,注意機構と生成的敵ネットワークの複合効果を発見し,考察した。
関連論文リスト
- Dual-Augmented Transformer Network for Weakly Supervised Semantic
Segmentation [4.02487511510606]
弱教師付きセマンティックセグメンテーション(WSSS)は、クラスレベルのラベルのみにオブジェクトを分割することを目的とした、基本的なコンピュータビジョンタスクである。
従来の手法では、CNNベースのネットワークを採用し、クラスアクティベーションマップ(CAM)戦略を用いて対象領域を発見する。
別の方法は、視覚変換器(ViT)を探索して画像を符号化し、グローバルな意味情報を取得することである。
相互補完学習のためのCNNベースネットワークとトランスフォーマーネットワークを併用したデュアルネットワークを提案する。
論文 参考訳（メタデータ） (2023-09-30T08:41:11Z) - An Empirical Study of Attention Networks for Semantic Segmentation [11.000308726481236]
近年,注目度に基づくデコーダは,各種データセット上での最先端(SOTA)性能を実現している。
本稿ではまず,計算の複雑さを分析し,その性能を比較する実験を行う。
論文 参考訳（メタデータ） (2023-09-19T00:07:57Z) - Rank Diminishing in Deep Neural Networks [71.03777954670323]
ニューラルネットワークのランクは、層をまたがる情報を測定する。
これは機械学習の幅広い領域にまたがる重要な構造条件の例である。
しかし、ニューラルネットワークでは、低ランク構造を生み出す固有のメカニズムはあいまいで不明瞭である。
論文 参考訳（メタデータ） (2022-06-13T12:03:32Z) - BraidNet: procedural generation of neural networks for image
classification problems using braid theory [0.0]
本稿では,情報理論とブレイド理論を組み合わせたニューラルネットワークの手続き的最適化手法を提案する。
ブレイドストランド間の交点と単純化されたネットワークを用いて実装した論文で研究したネットワークは、多クラス画像分類の様々な問題を解決するために使用される。
シミュレーションの結果,braidnetは学習速度と分類精度において比較優位であった。
論文 参考訳（メタデータ） (2021-04-20T14:40:30Z) - Variational Structured Attention Networks for Deep Visual Representation
Learning [49.80498066480928]
空間的注意マップとチャネル的注意の両方を原則的に共同学習するための統合的深層フレームワークを提案する。
具体的には,確率的表現学習フレームワークに注目度の推定と相互作用を統合する。
ニューラルネットワーク内で推論ルールを実装し,確率パラメータとcnnフロントエンドパラメータのエンドツーエンド学習を可能にする。
論文 参考訳（メタデータ） (2021-03-05T07:37:24Z) - Adversarial Attack on Network Embeddings via Supervised Network
Poisoning [20.583791500831147]
本稿では,ネットワーク埋め込みアルゴリズムを敵視点から検討し,下流作業におけるネットワーク汚染の影響を観察する。
独自のネットワーク構造で最先端の中毒法を最大18%上回る監視ネットワーク中毒戦略「VIKING」を提案します。
論文 参考訳（メタデータ） (2021-02-14T14:47:39Z) - Attribution Preservation in Network Compression for Reliable Network
Interpretation [81.84564694303397]
安全に敏感なアプリケーションに埋め込まれたニューラルネットワークは、エッジ計算のサイズを減らすために、後向きの分析とネットワーク圧縮に入力属性に依存する。
ネットワーク圧縮が生成した属性を変形させるため,これらの非関係な手法が相互に競合することを示す。
この現象は、従来のネットワーク圧縮手法が、属性の品質を無視しながら、ネットワークの予測のみを保存するという事実から生じる。
論文 参考訳（メタデータ） (2020-10-28T16:02:31Z) - Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
病理組織像における腺分節に対するPRS2モデルを提案する。
このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。
我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
論文 参考訳（メタデータ） (2020-08-06T15:02:38Z) - Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。
人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。
実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-05-15T23:57:36Z) - An End-to-End Network for Co-Saliency Detection in One Single Image [47.35448093528382]
単一の画像内の共分散検出は、まだ十分に対処されていない一般的な視覚問題である。
本研究では、バックボーンネットと2つの分岐ネットからなる新しいエンドツーエンドのトレーニングネットワークを提案する。
本研究では,2,019個の自然画像のデータセットを各画像に共分散して構築し,提案手法の評価を行う。
論文 参考訳（メタデータ） (2019-10-25T16:00:44Z)
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。