論文の概要: On-Device Unsupervised Image Segmentation

• arxiv url: http://arxiv.org/abs/2303.12753v1
• Date: Fri, 24 Feb 2023 00:51:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-25 02:50:54.634296
• Title: On-Device Unsupervised Image Segmentation
• Title（参考訳）: オンデバイス非教師画像分割
• Authors: Junhuan Yang, Yi Sheng, Yuzhou Zhang, Weiwen Jiang, Lei Yang
• Abstract要約: 私たちはHDCベースの教師なしセグメンテーションフレームワーク「SegHDC」を構築します。 標準セグメンテーションデータセットでは、SegHDCはIoU(Intersection over Union)スコアを28.0%改善することができる。 SegHDCは3分以内にセグメンテーション結果を得ることができ、0.9587 IoUスコアを達成できる。
• 参考スコア（独自算出の注目度）: 5.9990534851802915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Along with the breakthrough of convolutional neural networks, learning-based segmentation has emerged in many research works. Most of them are based on supervised learning, requiring plenty of annotated data; however, to support segmentation, a label for each pixel is required, which is obviously expensive. As a result, the issue of lacking annotated segmentation data commonly exists. Continuous learning is a promising way to deal with this issue; however, it still has high demands on human labor for annotation. What's more, privacy is highly required in segmentation data for real-world applications, which further calls for on-device learning. In this paper, we aim to resolve the above issue in an alternative way: Instead of supervised segmentation, we propose to develop efficient unsupervised segmentation that can be executed on edge devices. Based on our observation that segmentation can obtain high performance when pixels are mapped to a high-dimension space, we for the first time bring brain-inspired hyperdimensional computing (HDC) to the segmentation task. We build the HDC-based unsupervised segmentation framework, namely "SegHDC". In SegHDC, we devise a novel encoding approach that follows the Manhattan distance. A clustering algorithm is further developed on top of the encoded high-dimension vectors to obtain segmentation results. Experimental results show SegHDC can significantly surpass neural network-based unsupervised segmentation. On a standard segmentation dataset, DSB2018, SegHDC can achieve a 28.0% improvement in Intersection over Union (IoU) score; meanwhile, it achieves over 300x speedup on Raspberry PI. What's more, for a larger size image in the BBBC005 dataset, the existing approach cannot be accommodated to Raspberry PI due to out of memory; on the other hand, SegHDC can obtain segmentation results within 3 minutes while achieving a 0.9587 IoU score.
• Abstract（参考訳）: 畳み込みニューラルネットワークのブレークスルーとともに、学習に基づくセグメンテーションは多くの研究に現れている。 その多くは教師付き学習に基づいており、多くの注釈付きデータを必要とするが、セグメンテーションをサポートするには各ピクセルのラベルが必要である。 その結果、注釈付きセグメンテーションデータが欠落する問題は一般的に存在する。 継続的学習は、この問題に対処するための有望な方法ですが、それでもアノテーションに対する人間の労働に対する高い要求があります。 さらに、実際のアプリケーションのセグメンテーションデータにはプライバシが極めて必要で、デバイス上での学習がさらに必要になります。 本稿では,この課題を別の方法で解決することを目的としている: 教師付きセグメンテーションの代わりに,エッジデバイス上で実行可能な効率的な教師なしセグメンテーションを開発することを提案する。 我々は,高次元空間に画素がマッピングされた場合,セグメント化によって高い性能が得られることを観察し,セグメント化タスクに脳にインスパイアされた超次元計算(HDC)を初めて導入した。 我々はHDCベースの教師なしセグメンテーションフレームワーク「SegHDC」を構築した。 SegHDCでは,マンハッタン距離に追従する新しい符号化手法を考案した。 さらに、符号化された高次元ベクトル上にクラスタリングアルゴリズムを開発し、セグメンテーション結果を得る。 実験の結果,seghdcはニューラルネットワークに基づく教師なしセグメンテーションを大幅に超えることがわかった。 標準セグメンテーションデータセットであるDSB2018では、SegHDCはIntersection over Union(IoU)スコアが28.0%向上し、Raspberry PIでは300倍以上のスピードアップを実現している。 さらに、bbbc005データセットにある大きな画像では、メモリ不足のため既存のアプローチはraspberry piに対応できない。

関連論文リスト

• Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
  3Dセグメンテーションはコンピュータビジョンの中核的な問題である。 完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。 半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
  論文  参考訳（メタデータ） (2024-09-12T14:54:31Z)
• Unsupervised Universal Image Segmentation [59.0383635597103]
  本稿では,Unsupervised Universal Model (U2Seg) を提案する。 U2Segは、自己教師付きモデルを利用して、これらのセグメンテーションタスクの擬似意味ラベルを生成する。 次に、これらの擬似意味ラベル上でモデルを自己学習し、かなりの性能向上をもたらす。
  論文  参考訳（メタデータ） (2023-12-28T18:59:04Z)
• Learning Semantic Segmentation with Query Points Supervision on Aerial Images [57.09251327650334]
  セマンティックセグメンテーションアルゴリズムを学習するための弱教師付き学習アルゴリズムを提案する。 提案手法は正確なセマンティックセグメンテーションを行い,手作業のアノテーションに要するコストと時間を大幅に削減することで効率を向上する。
  論文  参考訳（メタデータ） (2023-09-11T14:32:04Z)
• Tracking Anything with Decoupled Video Segmentation [87.07258378407289]
  我々はデカップリングビデオセグメンテーションアプローチ(DEVA)を開発した。 タスク固有のイメージレベルセグメンテーションと、クラス/タスク非依存の双方向の時間的伝搬で構成されている。 この分離された定式化は、複数のデータスカースタスクにおけるエンドツーエンドのアプローチと良好に比較できることを示す。
  論文  参考訳（メタデータ） (2023-09-07T17:59:41Z)
• A Review of Panoptic Segmentation for Mobile Mapping Point Clouds [16.78395191633382]
  3Dポイント・クラウド・パノプティック・セグメンテーションは、(i)各ポイントをセマンティック・クラスに割り当て、(ii)各クラスのポイントをオブジェクト・インスタンスに分割する複合タスクである。 近年,セマンティックセグメンテーションの急速な進歩を基盤として,このような総合的な3Dシーン理解への関心が高まっている。 しかし、現在、屋外のモバイル・マッピングデータのパノプティック・セグメンテーションに関する研究はほとんど行われておらず、体系的な比較は行われていない。
  論文  参考訳（メタデータ） (2023-04-27T07:07:18Z)
• Label conditioned segmentation [14.66405859401613]
  セマンティックセグメンテーションはコンピュータビジョンにおいて重要なタスクであり、畳み込みニューラルネットワーク(CNN)にしばしば取り組まれる。 複数のクラスを持つセグメンテーションタスクに対して、標準的なアプローチはマルチチャネル確率的セグメンテーションマップを計算するネットワークを使用することである。 本稿では,この課題に対処するための簡易かつ効果的な方法を提案する。 提案手法では,ネットワークの出力クラスを決定する単一クラスラベルで条件付きで単一チャネル出力を生成する。
  論文  参考訳（メタデータ） (2022-03-17T22:21:10Z)
• CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
  本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。 我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
  論文  参考訳（メタデータ） (2021-10-29T18:41:15Z)
• Scaling Semantic Segmentation Beyond 1K Classes on a Single GPU [87.48110331544885]
  既存のセマンティックセグメンテーションモデルのトレーニングとスケールアップのための新しいトレーニング手法を提案する。 我々は、LVISとCOCOアノテーションからブートストラップした1284クラスのデータセットに対するアプローチの明確な利点を示し、DeeplabV3+モデルの3倍のmIoUを実現した。
  論文  参考訳（メタデータ） (2020-12-14T13:12:38Z)
• Shape-aware Semi-supervised 3D Semantic Segmentation for Medical Images [24.216869988183092]
  本稿では,豊富なラベルのないデータを活用し,セグメント化出力に幾何学的形状制約を課す,形状認識型半教師付きセグメンテーション戦略を提案する。 物体表面のセマンティックセグメンテーションと符号付き距離マップDMを共同で予測するマルチタスクディープネットワークを開発した。 実験の結果,提案手法は形状推定を改良し,最先端の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） (2020-07-21T11:44:52Z)
• An Auto-Encoder Strategy for Adaptive Image Segmentation [18.333542893112007]
  本稿では,離散表現学習問題としてセグメンテーションの新たな視点を提案する。 フレキシブルで適応的な自動エンコーダセグメンテーション戦略を提案する。 我々はマルコフランダム場先行が空間的に独立な先行よりもはるかに優れた結果が得られることを示した。
  論文  参考訳（メタデータ） (2020-04-29T00:53:24Z)

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。