論文の概要: DeepMerge: Deep Learning-Based Region-Merging for Image Segmentation
- arxiv url: http://arxiv.org/abs/2305.19787v1
- Date: Wed, 31 May 2023 12:27:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-01 16:52:31.539048
- Title: DeepMerge: Deep Learning-Based Region-Merging for Image Segmentation
- Title（参考訳）: DeepMerge: 画像セグメンテーションのためのディープラーニングベースの領域マージ
- Authors: Xianwei Lv and Claudio Persello and Xiao Huang and Dongping Ming and
Alfred Stein
- Abstract要約: 本稿では,大規模なVHR画像のセグメンテーションを扱うための深層学習に基づく領域マージ手法を提案する。
我々の知る限り,提案手法は,地域統合のための隣接セグメント間の類似性を学習するために,初めてディープラーニングを用いたものである。
提案手法は,Google Earthから取得した5,660 km2の領域をカバーする0.55mのリモートセンシング画像を用いて検証した。
- 参考スコア（独自算出の注目度）: 8.101131818558232
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Accurate segmentation of large areas from very high spatial-resolution (VHR)
remote sensing imagery remains a challenging issue in image analysis. Existing
supervised and unsupervised methods both suffer from the large variance of
object sizes and the difficulty in scale selection, which often result in poor
segmentation accuracies. To address the above challenges, we propose a deep
learning-based region-merging method (DeepMerge) to handle the segmentation in
large VHR images by integrating a Transformer with a multi-level embedding
module, a segment-based feature embedding module and a region-adjacency graph
model. In addition, we propose a modified binary tree sampling method to
generate multi-level inputs from initial segmentation results, serving as
inputs for the DeepMerge model. To our best knowledge, the proposed method is
the first to use deep learning to learn the similarity between adjacent
segments for region-merging. The proposed DeepMerge method is validated using a
remote sensing image of 0.55m resolution covering an area of 5,660 km^2
acquired from Google Earth. The experimental results show that the proposed
DeepMerge with the highest F value (0.9446) and the lowest TE (0.0962) and ED2
(0.8989) is able to correctly segment objects of different sizes and
outperforms all selected competing segmentation methods from both quantitative
and qualitative assessments.
- Abstract（参考訳）: 超高空間分解能(VHR)リモートセンシング画像からの広い領域の正確なセグメンテーションは、画像解析において難しい問題である。
既存の教師なしおよび教師なしの手法はどちらも、オブジェクトサイズの大きなばらつきとスケール選択の難しさに悩まされ、しばしばセグメンテーションの精度が低下する。
そこで本研究では,多レベル埋め込みモジュール,セグメントベース特徴埋め込みモジュール,領域隣接グラフモデルとトランスフォーマーを統合することで,大規模vhr画像のセグメンテーションを処理する深層学習型領域マージ手法(deepmerge)を提案する。
さらに,初期セグメンテーション結果から多レベル入力を生成し,deepmergeモデルへの入力として機能する修正二分木サンプリング法を提案する。
提案手法は,地域統合のための隣接セグメント間の類似性を学習するために,まずディープラーニングを用いた。
提案手法は,Google Earthから取得した5,660 km^2の領域をカバーする0.55mのリモートセンシング画像を用いて検証した。
実験結果から,提案したDeepMergeはF値(0.9446),TE値(0.0962),ED2(0.8989)で,異なる大きさのオブジェクトを正確に分割し,定量評価と定性評価の両方から選択した競合セグメンテーション手法よりも優れていることがわかった。
関連論文リスト
- Remote Sensing Image Segmentation Using Vision Mamba and Multi-Scale Multi-Frequency Feature Fusion [9.098711843118629]
本稿では、状態空間モデル(SSM)を導入し、視覚マンバ(CVMH-UNet)に基づく新しいハイブリッドセマンティックセマンティックネットワークを提案する。
本手法は、クロス2Dスキャン(CS2D)を用いて、複数の方向からグローバル情報をフルにキャプチャする、クロス走査型視覚状態空間ブロック(CVSSBlock)を設計する。
ローカル情報取得におけるビジョン・マンバ(VMamba)の制約を克服するために畳み込みニューラルネットワークのブランチを組み込むことにより、このアプローチはグローバル機能とローカル機能の両方の包括的な分析を促進する。
論文 参考訳（メタデータ） (2024-10-08T02:17:38Z) - Depth-guided Texture Diffusion for Image Semantic Segmentation [47.46257473475867]
本稿では,この課題を効果的に解決するディープスガイド型テクスチャ拡散手法を提案する。
本手法は,テクスチャ画像を作成するために,エッジやテクスチャから低レベル特徴を抽出する。
この拡張深度マップを元のRGB画像と結合した特徴埋め込みに統合することにより,深度マップと画像との相違を効果的に橋渡しする。
論文 参考訳（メタデータ） (2024-08-17T04:55:03Z) - Multi-view Aggregation Network for Dichotomous Image Segmentation [76.75904424539543]
Dichotomous Image (DIS) は近年,高解像度自然画像からの高精度物体分割に向けて出現している。
既存の手法は、グローバルなローカライゼーションと局所的な洗練を徐々に完了させるために、退屈な複数のエンコーダ・デコーダストリームとステージに依存している。
これに触発されて、我々は多視点オブジェクト認識問題としてdisをモデル化し、擬似多視点アグリゲーションネットワーク(MVANet)を提供する。
一般的なdis-5Kデータセットの実験では、我々のMVANetは精度と速度の両方で最先端の手法を大きく上回っている。
論文 参考訳（メタデータ） (2024-04-11T03:00:00Z) - Hi-ResNet: Edge Detail Enhancement for High-Resolution Remote Sensing Segmentation [10.919956120261539]
高分解能リモートセンシング(HRS)セマンティックセマンティクスは、高分解能カバレッジ領域からキーオブジェクトを抽出する。
HRS画像内の同じカテゴリのオブジェクトは、多様な地理的環境におけるスケールと形状の顕著な違いを示す。
効率的なネットワーク構造を持つ高分解能リモートセンシングネットワーク(Hi-ResNet)を提案する。
論文 参考訳（メタデータ） (2023-05-22T03:58:25Z) - De-coupling and De-positioning Dense Self-supervised Learning [65.56679416475943]
Dense Self-Supervised Learning (SSL)メソッドは、複数のオブジェクトでイメージを処理する際に、画像レベルの特徴表現を使用する際の制限に対処する。
本研究は, 層深度やゼロパディングに伴う受容野の増大によって生じる, 結合と位置バイアスに悩まされていることを示す。
我々はCOCOにおける本手法の利点と、オブジェクト分類、セマンティックセグメンテーション、オブジェクト検出のための新しい挑戦的ベンチマークであるOpenImage-MINIについて示す。
論文 参考訳（メタデータ） (2023-03-29T18:07:25Z) - Scale-MAE: A Scale-Aware Masked Autoencoder for Multiscale Geospatial
Representation Learning [55.762840052788945]
本研究では,異なるスケールでデータ間の関係を明示的に学習する事前学習手法であるScale-MAEを提案する。
その結果,低周波画像と高周波画像の両方を再構成することで,リモートセンシング画像のマルチスケール表現が堅牢になることがわかった。
論文 参考訳（メタデータ） (2022-12-30T03:15:34Z) - Semantic Labeling of High Resolution Images Using EfficientUNets and
Transformers [5.177947445379688]
畳み込みニューラルネットワークとディープトランスを組み合わせた新しいセグメンテーションモデルを提案する。
提案手法は,最先端技術と比較してセグメント化精度が向上することを示す。
論文 参考訳（メタデータ） (2022-06-20T12:03:54Z) - AF$_2$: Adaptive Focus Framework for Aerial Imagery Segmentation [86.44683367028914]
航空画像のセグメンテーションにはいくつかの独特な課題があり、中でも最も重要なものは前景と背景のアンバランスにある。
本稿では,階層的なセグメンテーション手法を採用し,マルチスケール表現を適応的に活用するAdaptive Focus Framework (AF$)を提案する。
AF$は、広く使われている3つの航空ベンチマークの精度を大幅に改善した。
論文 参考訳（メタデータ） (2022-02-18T10:14:45Z) - High-resolution Depth Maps Imaging via Attention-based Hierarchical
Multi-modal Fusion [84.24973877109181]
誘導DSRのための新しい注意に基づく階層型マルチモーダル融合ネットワークを提案する。
本手法は,再現精度,動作速度,メモリ効率の点で最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-04T03:28:33Z) - A Multi-Level Approach to Waste Object Segmentation [10.20384144853726]
カラー画像とオプションの深度画像から廃棄物を局所化する問題に対処する。
本手法は,複数の空間的粒度レベルでの強度と深度情報を統合する。
我々は, この領域における今後の研究を促進するために, 新たなRGBD廃棄物分節MJU-Wasteを作成している。
論文 参考訳（メタデータ） (2020-07-08T16:49:25Z) - DeepEMD: Differentiable Earth Mover's Distance for Few-Shot Learning [122.51237307910878]
我々は,画像領域間の最適なマッチングの新しい視点から,少数ショット画像分類法を開発した。
我々は、高密度画像表現間の構造距離を計算するために、Earth Mover's Distance (EMD) を用いている。
定式化において重要な要素の重みを生成するために,我々は相互参照機構を設計する。
論文 参考訳（メタデータ） (2020-03-15T08:13:16Z)
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。