論文の概要: ABANICCO: A New Color Space for Multi-Label Pixel Classification and Color Segmentation

• arxiv url: http://arxiv.org/abs/2211.08460v1
• Date: Tue, 15 Nov 2022 19:26:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 14:02:15.112033
• Title: ABANICCO: A New Color Space for Multi-Label Pixel Classification and Color Segmentation
• Title（参考訳）: ABANICCO: マルチラベル画素分類とカラーセグメンテーションのための新しいカラースペース
• Authors: Laura Nicol\'as-S\'aenz, Agapito Ledezma, Javier Pascau, Arrate Mu\~noz-Barrutia
• Abstract要約: 色理論,ファジィ色空間,および12の標準色カテゴリによる画素の自動分類のための多ラベルシステムの幾何学的解析を組み合わせた新しい手法を提案する。 我々は統計学と色理論に基づいて、色命名のための頑健で教師なし、偏見のない戦略を示す。
• 参考スコア（独自算出の注目度）: 1.7205106391379026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In any computer vision task involving color images, a necessary step is classifying pixels according to color and segmenting the respective areas. However, the development of methods able to successfully complete this task has proven challenging, mainly due to the gap between human color perception, linguistic color terms, and digital representation. In this paper, we propose a novel method combining geometric analysis of color theory, fuzzy color spaces, and multi-label systems for the automatic classification of pixels according to 12 standard color categories (Green, Yellow, Light Orange, Deep Orange, Red, Pink, Purple, Ultramarine, Blue, Teal, Brown, and Neutral). Moreover, we present a robust, unsupervised, unbiased strategy for color naming based on statistics and color theory. ABANICCO was tested against the state of the art in color classification and with the standarized ISCC-NBS color system, providing accurate classification and a standard, easily understandable alternative for hue naming recognizable by humans and machines. We expect this solution to become the base to successfully tackle a myriad of problems in all fields of computer vision, such as region characterization, histopathology analysis, fire detection, product quality prediction, object description, and hyperspectral imaging.
• Abstract（参考訳）: カラー画像を含むコンピュータビジョンタスクでは、色に応じてピクセルを分類し、各領域をセグメント化する必要がある。 しかし、この課題を成功させる方法の開発は、主に人間の色知覚、言語色用語、デジタル表現のギャップのために困難であることが証明されている。 本稿では,色理論,ファジィ色空間,マルチラベルシステムの幾何学的解析と12種類の標準色カテゴリ(緑,黄,明るいオレンジ,深オレンジ,赤,ピンク,紫,ウルトラマリン,青,青,青,茶色,中性)による画素の自動分類を組み合わせた新しい手法を提案する。 さらに,統計と色理論に基づく色命名のためのロバストで教師なし,偏りのない戦略を提案する。 ABANICCOは、色分類の最先端と、ISCC-NBSカラーシステムでテストされ、正確な分類と、人間や機械で認識可能な色名に対する標準的で分かりやすい代替手段を提供する。 我々はこのソリューションが、地域特性、病理組織学的分析、火災検出、製品品質予測、オブジェクト記述、ハイパースペクトルイメージングなど、コンピュータビジョンのあらゆる分野における無数の問題に対処する基盤になることを期待している。

関連論文リスト

• Name Your Colour For the Task: Artificially Discover Colour Naming via Colour Quantisation Transformer [62.75343115345667]
  そこで本研究では,色空間を定量化しつつ,画像上での認識を維持しつつ,色空間を定量化する新しい色量子化変換器CQFormerを提案する。 人工色システムと人間の言語における基本色用語との一貫性のある進化パターンを観察する。 我々のカラー量子化法は、画像記憶を効果的に圧縮する効率的な量子化法も提供する。
  論文  参考訳（メタデータ） (2022-12-07T03:39:18Z)
• PalGAN: Image Colorization with Palette Generative Adversarial Networks [51.59276436217957]
  そこで本研究では,パレット推定とカラーアテンションを統合した新しいGANベースのカラー化手法PalGANを提案する。 PalGANは、定量的評価と視覚比較において最先端の成果を上げ、顕著な多様性、コントラスト、およびエッジ保存の外観を提供する。
  論文  参考訳（メタデータ） (2022-10-20T12:28:31Z)
• Learning to Structure an Image with Few Colors and Beyond [59.34619548026885]
  カラー量子化ネットワークであるColorCNNを提案し、分類損失を最小限に抑えて、限られた色空間で画像を構成することを学習する。 複数の色空間サイズ構成をサポートするColorCNN+を導入し、大色空間における認識精度の低下と望ましくない視覚的忠実度に関する過去の問題に対処する。 潜在的な応用として、ネットワーク認識のための画像圧縮手法としてColorCNNが利用可能であることを示す。
  論文  参考訳（メタデータ） (2022-08-17T17:59:15Z)
• TIC: Text-Guided Image Colorization [24.317541784957285]
  本稿では、2つの入力(グレースケール画像と各エンコードされたテキスト記述)を取り込み、関連する色域を予測しようとする新しいディープネットワークを提案する。 各テキスト記述にはシーンに存在するオブジェクトの色情報が含まれているので、テキストエンコーディングは予測された色の全体的な品質を改善するのに役立つ。 提案手法を異なる指標を用いて評価した結果,定性的にも定量的にも,最先端のカラー化アルゴリズム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） (2022-08-04T18:40:20Z)
• Influence of Color Spaces for Deep Learning Image Colorization [2.3705923859070217]
  既存のカラー化手法は、RGB、YUV、Labなど、さまざまな色空間に依存している。 本章では,深層ニューラルネットワークのトレーニングによって得られる結果に対する影響について検討する。 RGB,YUV,Labの色空間と同一の深層ニューラルネットワークアーキテクチャを用いて得られた結果を比較した。
  論文  参考訳（メタデータ） (2022-04-06T14:14:07Z)
• Assessing The Importance Of Colours For CNNs In Object Recognition [70.70151719764021]
  畳み込みニューラルネットワーク(CNN)は相反する性質を示すことが示されている。 CNNが予測をしながら色情報に大きく依存していることを実証します。 congruent, greyscale, incongruent画像の合同画像で学習したモデルを評価する。
  論文  参考訳（メタデータ） (2020-12-12T22:55:06Z)
• SCGAN: Saliency Map-guided Colorization with Generative Adversarial Network [16.906813829260553]
  本稿では,SCGAN(Generative Adversarial Network)フレームワークによる完全自動サリエンシマップ誘導色付けを提案する。 これは、意味的混乱と色出血を最小限に抑えるために、着色と塩分濃度マップを共同で予測する。 実験結果から,SCGANは最先端技術よりも,より合理的なカラー化画像を生成することができることがわかった。
  論文  参考訳（メタデータ） (2020-11-23T13:06:54Z)
• Visualizing Color-wise Saliency of Black-Box Image Classification Models [0.0]
  ディープラーニングを含む高度な手法によって与えられる分類結果は、しばしば解釈するのが困難である。 本稿では,MC-RISE(Multi-Color RISE)を提案する。 本手法は,元のRISEと同様,画像中の各画素の鮮度を示すだけでなく,各画素の色成分の重要度を示す。
  論文  参考訳（メタデータ） (2020-10-06T04:27:18Z)
• Image Colorization: A Survey and Dataset [94.59768013860668]
  本稿では,最先端の深層学習に基づく画像着色技術に関する包括的調査を行う。 既存の着色技法を7つのクラスに分類し、その性能を規定する重要な要因について論じる。 我々は既存のデータセットと提案した画像の両方を用いて、既存の画像のカラー化手法を広範囲に実験的に評価する。
  論文  参考訳（メタデータ） (2020-08-25T01:22:52Z)
• Learning to Structure an Image with Few Colors [59.34619548026885]
  そこで,カラー量子化ネットワークであるColorCNNを提案する。 1ビットのカラースペース(すなわち2色)だけで、提案されたネットワークはCIFAR10データセット上で82.1%のトップ-1の精度を達成した。 アプリケーションの場合、PNGでエンコードされた場合、提案したカラー量子化は、極低ビットレート方式の他の画像圧縮方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-17T17:56:15Z)

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。