論文の概要: DGNet: Distribution Guided Efficient Learning for Oil Spill Image
Segmentation
- arxiv url: http://arxiv.org/abs/2301.01202v1
- Date: Mon, 19 Dec 2022 18:23:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-09 07:14:43.613702
- Title: DGNet: Distribution Guided Efficient Learning for Oil Spill Image
Segmentation
- Title（参考訳）: DGNet:石油スパイル画像分割のための配電誘導学習
- Authors: Fang Chen, Heiko Balzter, Feixiang Zhou, Peng Ren and Huiyu Zhou
- Abstract要約: SAR(Synthetic Aperture Radar)画像における油流出セグメンテーションの実施は,海洋環境保護に不可欠である。
我々は,SAR画像にバックスキャッタ値の内在分布を組み込むことで,石油流出セグメンテーションを行うDGNetという効果的なセグメンテーションフレームワークを開発した。
提案したDGNetのセグメンテーション性能を異なるメトリクスで評価し,その有効セグメンテーションを実験的に評価した。
- 参考スコア（独自算出の注目度）: 18.43215454505496
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Successful implementation of oil spill segmentation in Synthetic Aperture
Radar (SAR) images is vital for marine environmental protection. In this paper,
we develop an effective segmentation framework named DGNet, which performs oil
spill segmentation by incorporating the intrinsic distribution of backscatter
values in SAR images. Specifically, our proposed segmentation network is
constructed with two deep neural modules running in an interactive manner,
where one is the inference module to achieve latent feature variable inference
from SAR images, and the other is the generative module to produce oil spill
segmentation maps by drawing the latent feature variables as inputs. Thus, to
yield accurate segmentation, we take into account the intrinsic distribution of
backscatter values in SAR images and embed it in our segmentation model. The
intrinsic distribution originates from SAR imagery, describing the physical
characteristics of oil spills. In the training process, the formulated
intrinsic distribution guides efficient learning of optimal latent feature
variable inference for oil spill segmentation. The efficient learning enables
the training of our proposed DGNet with a small amount of image data. This is
economically beneficial to oil spill segmentation where the availability of oil
spill SAR image data is limited in practice. Additionally, benefiting from
optimal latent feature variable inference, our proposed DGNet performs accurate
oil spill segmentation. We evaluate the segmentation performance of our
proposed DGNet with different metrics, and experimental evaluations demonstrate
its effective segmentations.
- Abstract（参考訳）: SAR(Synthetic Aperture Radar)画像における油流出セグメンテーションの実施は,海洋環境保護に不可欠である。
本稿では,SAR画像にバックスキャッタ値の内在分布を取り入れ,石油流出セグメンテーションを行うDGNetという効果的なセグメンテーションフレームワークを開発する。
具体的には,提案するセグメンテーションネットワークは,sar画像から潜在特徴変数を推定する推論モジュールと,潜在特徴変数を入力として油流出セグメンテーションマップを生成する生成モジュールという,2つの深層ニューラルネットワークをインタラクティブに実行して構成する。
そこで, 正確なセグメンテーションを得るために, SAR画像中の後方散乱値の内在分布を考慮し, セグメンテーションモデルに組み込む。
内在分布は, 流出油の物理的特性を記述したSAR画像に由来する。
訓練過程において、定式化された内在分布は、石油流出セグメントの最適潜性特徴変数推論の効率的な学習を導く。
効率的な学習により,少ない画像データで提案したDGNetの学習が可能となる。
これは、石油流出SAR画像データの入手が実際に限られている石油流出セグメンテーションにとって経済的に有益である。
さらに,提案したDGNetは,最適潜時特徴量推定の利点を生かし,正確なオイル流出セグメンテーションを行う。
提案したDGNetのセグメンテーション性能を異なるメトリクスで評価し,その有効セグメンテーションを実験的に評価した。
関連論文リスト
- Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。
従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。
本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文 参考訳（メタデータ） (2023-12-19T08:14:14Z) - ARHNet: Adaptive Region Harmonization for Lesion-aware Augmentation to
Improve Segmentation Performance [61.04246102067351]
本研究では,合成画像をよりリアルに見せるために,前景調和フレームワーク(ARHNet)を提案する。
実画像と合成画像を用いたセグメンテーション性能の向上に本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-07-02T10:39:29Z) - SRCNet: Seminal Representation Collaborative Network for Marine Oil
Spill Segmentation [18.96012241344086]
本研究では,SRCNet という油流出画像分割ネットワークを提案する。
SAR画像を記述するセミナル表現の協調により、ディープニューラルネットワークのペアで構築される。
提案するSRCNetは,効率的な石油流出セグメンテーションを経済的かつ効率的に運用する。
論文 参考訳（メタデータ） (2023-04-17T13:23:03Z) - IDEAL: Improved DEnse locAL Contrastive Learning for Semi-Supervised
Medical Image Segmentation [3.6748639131154315]
我々は,メートル法学習の概念をセグメンテーションタスクに拡張する。
本稿では,高密度画素レベルの特徴量を得るための単純な畳み込みプロジェクションヘッドを提案する。
下流タスクに対して,2ストリーム正規化トレーニングを含む双方向正規化機構を考案した。
論文 参考訳（メタデータ） (2022-10-26T23:11:02Z) - Oil Spill SAR Image Segmentation via Probability Distribution Modelling [18.72207562693259]
本研究の目的は,SAR画像における海洋油流出の同定に有効なセグメンテーション手法を開発することである。
我々は,オイル流出SAR画像の確率分布表現を達成するために,SAR撮像機構を再検討する。
次に, 油流出特性を組み込んだセグメンテーションエネルギー関数を定式化するために, 分布表現を利用する。
論文 参考訳（メタデータ） (2021-12-17T17:22:29Z) - 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) - Bayesian U-Net for Segmenting Glaciers in SAR Imagery [7.960675807187592]
不確実性を計算し,新しい二段階プロセスとして不確実性最適化手法として用いることを提案する。
ネットワークへの不確実性マップの供給は95.24%のdice類似性をもたらす。
これは、最先端の決定論的U-Netベースの氷河セグメンテーションパイプラインと比較して、全体的なセグメンテーション性能の改善である。
論文 参考訳（メタデータ） (2021-01-08T23:17:49Z) - 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) - 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) - Large-scale detection and categorization of oil spills from SAR images
with deep learning [4.716034416800441]
本研究では,合成開口レーダ(SAR)画像中の油流出を大規模に検出し,分類するためのディープラーニングフレームワークを提案する。
また,SARにおける石油流出検知の文脈において,新しい分類タスクを導入する。
論文 参考訳（メタデータ） (2020-06-24T09:32:31Z) - Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。
本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。
我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
論文 参考訳（メタデータ） (2020-04-08T10:08:20Z)
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。