論文の概要: A Few-Shot Attention Recurrent Residual U-Net for Crack Segmentation

• arxiv url: http://arxiv.org/abs/2303.01582v1
• Date: Thu, 2 Mar 2023 21:16:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-06 16:56:42.594111
• Title: A Few-Shot Attention Recurrent Residual U-Net for Crack Segmentation
• Title（参考訳）: クラックセグメンテーションのための数ショット連続残差U-Net
• Authors: Iason Katsamenis, Eftychios Protopapadakis, Nikolaos Bakalos, Anastasios Doulamis, Nikolaos Doulamis, Athanasios Voulodimos
• Abstract要約: 道路ひび割れの自動セグメンテーションのための数発の学習パラダイムを提案する。 このフレームワークは、リカレント残響モジュールとアテンションモジュール(R2AU-Net)を備えたU-Netアーキテクチャに基づいている。 大規模な実験により、提案された数発のR2AU-Netフレームワークは、DiceとIoUのメトリクスで他の最先端ネットワークよりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 12.828719975542178
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent studies indicate that deep learning plays a crucial role in the automated visual inspection of road infrastructures. However, current learning schemes are static, implying no dynamic adaptation to users' feedback. To address this drawback, we present a few-shot learning paradigm for the automated segmentation of road cracks, which is based on a U-Net architecture with recurrent residual and attention modules (R2AU-Net). The retraining strategy dynamically fine-tunes the weights of the U-Net as a few new rectified samples are being fed into the classifier. Extensive experiments show that the proposed few-shot R2AU-Net framework outperforms other state-of-the-art networks in terms of Dice and IoU metrics, on a new dataset, named CrackMap, which is made publicly available at https://github.com/ikatsamenis/CrackMap.
• Abstract（参考訳）: 近年の研究では,道路インフラの視覚的自動検査において,ディープラーニングが重要な役割を担っていることが示されている。 しかし、現在の学習方式は静的であり、ユーザのフィードバックに動的に適応するものではない。 この欠点に対処するために,再帰的残差・注意モジュール(R2AU-Net)を持つU-Netアーキテクチャをベースとした,道路亀裂の自動分割のための数発の学習パラダイムを提案する。 再トレーニング戦略は、いくつかの新しい整流サンプルが分類器に供給されているため、u-netの重みを動的に微調整する。 大規模な実験によると、提案されたR2AU-Netフレームワークは、DiceとIoUメトリクスの観点から、新しいデータセットであるCrackMapで、他の最先端ネットワークよりも優れており、https://github.com/ikatsamenis/CrackMapで公開されている。

関連論文リスト

• nnU-Net Revisited: A Call for Rigorous Validation in 3D Medical Image Segmentation [1.5243612944631728]
  我々は、最近の多くの主張が、一般的な検証の欠陥について精査したときには、守られていないことを実証する。 現状のパフォーマンスのレシピは,1) ResNet や ConvNeXt など CNN ベースの U-Net モデル,2) nnU-Net フレームワーク,3) 現代的なハードウェアリソースへのモデルスケーリングである。
  論文  参考訳（メタデータ） (2024-04-15T08:19:08Z)
• Faster ISNet for Background Bias Mitigation on Deep Neural Networks [0.4915744683251149]
  画像背景のバイアスや刺激的な相関はニューラルネットワークに影響を与え、ショートカット学習を引き起こし、現実世界のデータへの一般化を妨げる。 本稿では,この数からトレーニング時間が独立したアーキテクチャを提案する。 我々は、合成背景バイアスと、一般的に背景バイアスを示すアプリケーションである胸部X線における新型コロナウイルス検出を用いて、提案したアーキテクチャに挑戦する。
  論文  参考訳（メタデータ） (2024-01-16T14:49:26Z)
• Designing Deep Networks for Scene Recognition [3.493180651702109]
  ネットワーク設計において広く受け入れられている原則を実証するために、広範な実験を行い、データを変更すると劇的な性能差が生じる可能性があることを実証する。 本稿では,データ指向ネットワーク設計という新しいネットワーク設計手法を提案する。 本稿では,半分未満の計算資源を用いてシーン認識性能を向上させるディープ・ナロー・ネットワークとDilated Poolingモジュールを提案する。
  論文  参考訳（メタデータ） (2023-03-13T18:28:06Z)
• DAFormer: Improving Network Architectures and Training Strategies for Domain-Adaptive Semantic Segmentation [99.88539409432916]
  教師なしドメイン適応(UDA)プロセスについて検討する。 ベンチマーク結果に基づいて,新しい UDA 手法である DAFormer を提案する。 DAFormerは,GTA->Cityscapesの10.8 mIoU,Synthia->Cityscapesの5.4 mIoUにより,最先端の性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-11-29T19:00:46Z)
• PDFNet: Pointwise Dense Flow Network for Urban-Scene Segmentation [0.0]
  我々はポイントワイド高密度フローネットワーク(PDFNet)という新しい軽量アーキテクチャを提案する。 PDFNetでは、ネットワークのすべての部分へのスムーズな勾配流を可能にするために、密集、残留、複数ショートカット接続を使用します。 提案手法は,小規模なクラスや少数のデータレギュレーションにおいて,ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2021-09-21T10:39:46Z)
• Unsupervised Learning of 3D Object Categories from Videos in the Wild [75.09720013151247]
  オブジェクトインスタンスの大規模なコレクションの複数のビューからモデルを学ぶことに重点を置いています。 再構成を大幅に改善するワープコンディショニングレイ埋め込み(WCR)と呼ばれる新しいニューラルネットワーク設計を提案する。 本評価は,既存のベンチマークを用いた複数の深部単眼再構成ベースラインに対する性能改善を示す。
  論文  参考訳（メタデータ） (2021-03-30T17:57:01Z)
• Local Critic Training for Model-Parallel Learning of Deep Neural Networks [94.69202357137452]
  そこで我々は,局所的批判訓練と呼ばれる新しいモデル並列学習手法を提案する。 提案手法は,畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)の両方において,階層群の更新プロセスの分離に成功したことを示す。 また,提案手法によりトレーニングされたネットワークを構造最適化に利用できることを示す。
  論文  参考訳（メタデータ） (2021-02-03T09:30:45Z)
• Few-Shot Classification with Feature Map Reconstruction Networks [41.50028437830414]
  本稿では,サポート機能からクローズド形式でのクエリ機能に直接回帰することで,数ショット分類のための新しいメカニズムを提案する。 結果のFeature Map Restruction Networksは、以前のアプローチよりもパフォーマンスが高く、計算的に効率的である。
  論文  参考訳（メタデータ） (2020-12-02T20:19:09Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• BiO-Net: Learning Recurrent Bi-directional Connections for Encoder-Decoder Architecture [82.64881585566825]
  本稿では,新たな双方向O字型ネットワーク(BiO-Net)を提案する。 提案手法は,バニラU-Netおよび他の最先端手法よりも優れる。
  論文  参考訳（メタデータ） (2020-07-01T05:07:49Z)
• A Model-driven Deep Neural Network for Single Image Rain Removal [52.787356046951494]
  完全解釈可能なネットワーク構造を持つモデル駆動型ディープニューラルネットワークを提案する。 雨を表現するための畳み込み辞書学習機構に基づいて,新しい単一画像デレーニングモデルを提案する。 すべてのレインカーネルとオペレータは自動的に抽出され、レイン層とクリーンなバックグラウンド層の両方の特徴を忠実に特徴付けることができる。
  論文  参考訳（メタデータ） (2020-05-04T09:13:25Z)

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。