論文の概要: Contour-Aware Equipotential Learning for Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2210.00223v1
- Date: Sat, 1 Oct 2022 08:45:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 15:26:18.600630
- Title: Contour-Aware Equipotential Learning for Semantic Segmentation
- Title（参考訳）: 意味的セグメンテーションのための輪郭学習
- Authors: Xu Yin, Dongbo Min, Yuchi Huo and Sung-Eui Yoon
- Abstract要約: 本研究では,意味的境界を学習し,推論するための等角的学習法を提案する。
本稿では,フィールド回帰と輪郭学習による境界セグメンテーション問題に対処するための最初の試みである。
提案するEPLモジュールは,セマンティック境界領域を認識する際に,既製の完全畳み込みネットワークモデルに有効である。
- 参考スコア（独自算出の注目度）: 35.09077032446148
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With increasing demands for high-quality semantic segmentation in the
industry, hard-distinguishing semantic boundaries have posed a significant
threat to existing solutions. Inspired by real-life experience, i.e., combining
varied observations contributes to higher visual recognition confidence, we
present the equipotential learning (EPL) method. This novel module transfers
the predicted/ground-truth semantic labels to a self-defined potential domain
to learn and infer decision boundaries along customized directions. The
conversion to the potential domain is implemented via a lightweight
differentiable anisotropic convolution without incurring any parameter
overhead. Besides, the designed two loss functions, the point loss and the
equipotential line loss implement anisotropic field regression and
category-level contour learning, respectively, enhancing prediction
consistencies in the inter/intra-class boundary areas. More importantly, EPL is
agnostic to network architectures, and thus it can be plugged into most
existing segmentation models. This paper is the first attempt to address the
boundary segmentation problem with field regression and contour learning.
Meaningful performance improvements on Pascal Voc 2012 and Cityscapes
demonstrate that the proposed EPL module can benefit the off-the-shelf fully
convolutional network models when recognizing semantic boundary areas. Besides,
intensive comparisons and analysis show the favorable merits of EPL for
distinguishing semantically-similar and irregular-shaped categories.
- Abstract（参考訳）: 業界における高品質なセマンティクスセグメンテーションの需要が高まる中、難解なセマンティクス境界は既存のソリューションに重大な脅威をもたらした。
実生活体験に触発され,多様な観察を組み合わせることで高い視覚認知信頼が得られ,等価学習法(epl)を提案する。
このモジュールは、予測/接地的意味ラベルを自己定義可能なドメインに転送し、カスタマイズされた方向に沿って決定境界を学習し推論する。
ポテンシャル領域への変換は、パラメータのオーバーヘッドを発生させることなく、軽量な微分可能な異方性畳み込みによって実装される。
また,2つの損失関数である点損失関数と等電位線損失関数はそれぞれ異方性場回帰とカテゴリレベルの輪郭学習を実行し,インタークラス/イントラクラス境界領域の予測精度を高める。
より重要なことに、eplはネットワークアーキテクチャに依存せず、既存のほとんどのセグメンテーションモデルにプラグインすることができる。
本稿では,フィールド回帰と輪郭学習を用いた境界分割問題に対する最初の試みである。
Pascal Voc 2012 と Cityscapes での有意義なパフォーマンス改善は、提案された EPL モジュールがセマンティック境界領域を認識する際に、既製の完全な畳み込みネットワークモデルに恩恵をもたらすことを示した。
さらに、集中的な比較と分析は、意味的に類似したカテゴリーと不規則な形態のカテゴリを区別する上で、EPLの好ましい利点を示している。
関連論文リスト
- Physically Feasible Semantic Segmentation [58.17907376475596]
最先端セマンティックセグメンテーションモデルは通常、データ駆動方式で最適化される。
本手法は,空間的クラス関係を規定する明示的な物理的制約を抽出する。
PhyFeaは、使用する最先端ネットワーク毎にmIoUが大幅に向上する。
論文 参考訳（メタデータ） (2024-08-26T22:39:08Z) - Semantic Connectivity-Driven Pseudo-labeling for Cross-domain
Segmentation [89.41179071022121]
自己学習はドメイン間セマンティックセグメンテーションにおいて一般的なアプローチである。
本稿ではセマンティック・コネクティビティ駆動の擬似ラベル方式を提案する。
このアプローチは、接続レベルにおいて擬似ラベルを定式化し、構造的および低雑音のセマンティクスの学習を容易にする。
論文 参考訳（メタデータ） (2023-12-11T12:29:51Z) - QuadFormer: Quadruple Transformer for Unsupervised Domain Adaptation in
Power Line Segmentation of Aerial Images [12.840195641761323]
ドメイン適応型セマンティックセグメンテーションのための新しいフレームワークを提案する。
階層的な四重変圧器は、伝達可能なコンテキストに適応するために、クロスアテンションと自己アテンションのメカニズムを組み合わせる。
ARPLSynとARPLRealの2つのデータセットを提示し、教師なし領域適応電力線分割の研究をさらに進める。
論文 参考訳（メタデータ） (2022-11-29T03:15:27Z) - Distribution Regularized Self-Supervised Learning for Domain Adaptation
of Semantic Segmentation [3.284878354988896]
本稿では,セマンティックセグメンテーションの自己教師付きドメイン適応のための画素レベル分布正規化スキーム(DRSL)を提案する。
典型的な環境では、分類損失はセマンティックセグメンテーションモデルにクラス間のバリエーションをキャプチャする表現を欲しがらせるように強制する。
クラス認識型マルチモーダル分布学習により,ピクセルレベルのクラス内変動を捉える。
論文 参考訳（メタデータ） (2022-06-20T09:52:49Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-12T06:11:16Z) - HSVA: Hierarchical Semantic-Visual Adaptation for Zero-Shot Learning [74.76431541169342]
ゼロショット学習(ZSL)は、目に見えないクラス認識の問題に取り組み、目に見えないクラスから目に見えないクラスに意味的な知識を移す。
本稿では,意味領域と視覚領域を協調させる新しい階層型意味視覚適応(HSVA)フレームワークを提案する。
4つのベンチマークデータセットの実験では、HSVAは従来のZSLと一般的なZSLの両方で優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-30T14:27:50Z) - Unsupervised Domain Adaptation for Semantic Segmentation via Low-level
Edge Information Transfer [27.64947077788111]
セマンティックセグメンテーションのための教師なしドメイン適応は、合成データに基づいて訓練されたモデルを実際の画像に適応させることを目的としている。
従来の特徴レベルの対数学習手法は、高レベルの意味的特徴に適応するモデルのみを考慮していた。
本稿では,ドメイン間ギャップが小さい低レベルエッジ情報を明示的に利用して意味情報の伝達をガイドする試みについて紹介する。
論文 参考訳（メタデータ） (2021-09-18T11:51:31Z) - InverseForm: A Loss Function for Structured Boundary-Aware Segmentation [80.39674800972182]
逆変換ネットワークを用いたセマンティックセグメンテーションのための新しい境界認識損失項を提案する。
このプラグイン損失項は境界変換の捕捉におけるクロスエントロピー損失を補完する。
室内および屋外のセグメンテーションベンチマークにおける損失関数の定量的および定性的効果を解析した。
論文 参考訳（メタデータ） (2021-04-06T18:52:45Z) - Active Boundary Loss for Semantic Segmentation [58.72057610093194]
本稿では,セマンティックセグメンテーションのための新しいアクティブ境界損失を提案する。
エンド・ツー・エンドのトレーニングにおいて、予測境界とグランド・トゥルース・バウンダリのアライメントを徐々に促進することができる。
実験結果から, アクティブ境界損失によるトレーニングは, 境界Fスコアと平均インターセクションオーバ・ユニオンを効果的に改善できることが示された。
論文 参考訳（メタデータ） (2021-02-04T15:47:54Z) - Unsupervised Domain Adaptation in Semantic Segmentation via Orthogonal
and Clustered Embeddings [25.137859989323537]
本稿では,機能クラスタリング手法に基づく効果的なUnsupervised Domain Adaptation(UDA)戦略を提案する。
識別的クラスタリング性能を高めるために,2つの新しい学習目標を導入する。
論文 参考訳（メタデータ） (2020-11-25T10:06:22Z)
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。