論文の概要: Delving into Crispness: Guided Label Refinement for Crisp Edge Detection

• arxiv url: http://arxiv.org/abs/2306.15172v1
• Date: Tue, 27 Jun 2023 03:12:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-28 14:48:51.880635
• Title: Delving into Crispness: Guided Label Refinement for Crisp Edge Detection
• Title（参考訳）: Crispnessへの埋め込み: Crisp Edge 検出のためのガイド付きラベルリファインメント
• Authors: Yunfan Ye, Renjiao Yi, Zhirui Gao, Zhiping Cai, Kai Xu
• Abstract要約: 学習ベースのエッジ検出は通常、厚いエッジの予測に苦しむ。 ノイズの多い人間のラベル付きエッジが、厚い予測の主な原因であることがわかった。 そこで本研究では,Canny-Guided refinement of human-labeled edgesを提案する。
• 参考スコア（独自算出の注目度）: 14.26122188105415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning-based edge detection usually suffers from predicting thick edges. Through extensive quantitative study with a new edge crispness measure, we find that noisy human-labeled edges are the main cause of thick predictions. Based on this observation, we advocate that more attention should be paid on label quality than on model design to achieve crisp edge detection. To this end, we propose an effective Canny-guided refinement of human-labeled edges whose result can be used to train crisp edge detectors. Essentially, it seeks for a subset of over-detected Canny edges that best align human labels. We show that several existing edge detectors can be turned into a crisp edge detector through training on our refined edge maps. Experiments demonstrate that deep models trained with refined edges achieve significant performance boost of crispness from 17.4% to 30.6%. With the PiDiNet backbone, our method improves ODS and OIS by 12.2% and 12.6% on the Multicue dataset, respectively, without relying on non-maximal suppression. We further conduct experiments and show the superiority of our crisp edge detection for optical flow estimation and image segmentation.
• Abstract（参考訳）: 学習に基づくエッジ検出は通常、厚いエッジの予測に苦しむ。 新しいエッジの鮮明度測定による広範囲な定量的研究により、ノイズの多い人間のラベル付きエッジが、厚い予測の主な原因であることが判明した。 この観察に基づいて,粗末なエッジ検出を実現するためには,モデル設計よりもラベル品質に注意を払うべきだ,と提案する。 そこで本研究では, クレープエッジ検出器のトレーニングに使用可能な, 効果的カニー誘導による人間のラベル付きエッジの改良を提案する。 基本的には、人間のラベルを最もよく一致させる過剰検出されたキャニーエッジのサブセットを求める。 改良されたエッジマップのトレーニングにより、既存のエッジ検出器をクリップエッジ検出器に変換することができることを示す。 実験により、洗練されたエッジで訓練された深層モデルは、17.4%から30.6%の性能向上を達成した。 PiDiNetのバックボーンでは、ODSとOISをそれぞれ12.2%改善し、Multicueデータセットでは12.6%改善した。 我々はさらに実験を行い、光学フロー推定と画像分割のためのクランプエッジ検出の優位性を示す。

関連論文リスト

• SAUGE: Taming SAM for Uncertainty-Aligned Multi-Granularity Edge Detection [8.651908243317301]
  我々は,セグメンテーションモデル(SAM)が,エッジラベルの不確実性をモデル化するための事前知識を提供することを明らかにした。 本モデルは,クロスデータセットエッジ検出のための強力な一般化性を示す。
  論文  参考訳（メタデータ） (2024-12-17T13:18:41Z)
• Generative Edge Detection with Stable Diffusion [52.870631376660924]
  エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。 本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。 複数のデータセットに対して広範な実験を行い、競争性能を達成する。
  論文  参考訳（メタデータ） (2024-10-04T01:52:23Z)
• Learning to utilize image second-order derivative information for crisp edge detection [16.152236524867078]
  エッジ検出はコンピュータビジョンの基本課題である。 最近のトップパフォーマンスエッジ検出手法は、厚くノイズの多いエッジラインを生成する傾向にある。 本稿では,モデルが真のエッジピクセルを正確に検出するのに役立つ2階微分型マルチスケールコンテキスト拡張モジュール(SDMCM)を提案する。 また、不均衡分布問題を軽減するために、ハイブリッド焦点損失関数(HFL)を構築した。 最後に、エッジ検出のためのSDMCMとBRMに基づくLUS-NetというU字型ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-06-09T13:25:02Z)
• Automated Coastline Extraction Using Edge Detection Algorithms [2.5311562666866494]
  衛星画像から海岸線を自動的に抽出するエッジ検出アルゴリズムの有効性を解析する。 Canny、Sobel、Scharr、Prewittの4つのアルゴリズムは視覚的に比較され、メトリクスを使用する。
  論文  参考訳（メタデータ） (2024-05-19T09:25:55Z)
• DiffusionEdge: Diffusion Probabilistic Model for Crisp Edge Detection [20.278655159290302]
  本稿では,DiffusionEdgeと呼ばれる汎用エッジ検出タスクに対する最初の拡散モデルを提案する。 最終的な性能を維持しつつ、高価な計算資源を避けるため、遅延空間にDPMを適用し、古典的なクロスエントロピー損失を可能にする。 すべての技術的設計で、DiffusionEdgeは限られたリソースで安定的にトレーニングすることができ、より少ない拡張戦略で、鮮明で正確なエッジマップを予測できる。
  論文  参考訳（メタデータ） (2024-01-04T02:20:54Z)
• PNT-Edge: Towards Robust Edge Detection with Noisy Labels by Learning Pixel-level Noise Transitions [119.17602768128806]
  特に大規模なデータセットでは、エッジの正確なラベル付けは難しい。 本稿では,ラベル破壊過程をモデル化するために,Pixelレベルのノイズ遷移を学習することを提案する。
  論文  参考訳（メタデータ） (2023-07-26T09:45:17Z)
• Structure-Aware DropEdge Towards Deep Graph Convolutional Networks [83.38709956935095]
  グラフ畳み込みネットワーク(GCN)は、複数のレイヤが積み重なると、パフォーマンスが著しく低下する。 オーバースムーシングは、入力からのネットワーク出力を、ネットワーク深さの増加、表現率の低下、およびトレーニング容易性によって分離する。 我々はDropEdgeの洗練された対策について検討する。
  論文  参考訳（メタデータ） (2023-06-21T08:11:40Z)
• The Treasure Beneath Multiple Annotations: An Uncertainty-aware Edge Detector [70.43599299422813]
  既存のメソッドは、単純な投票プロセスを使用して複数のアノテーションを融合し、エッジ固有の曖昧さを無視し、アノテータのラベル付けバイアスを無視する。 多様なアノテーションの主観性とあいまいさを調査するために不確実性を利用した新しい不確実性認識エッジ検出器(UAED)を提案する。 UAEDは複数のエッジ検出ベンチマークで一貫したパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-03-21T13:14:36Z)
• Unmixing Convolutional Features for Crisp Edge Detection [28.232800355331726]
  本稿では,深部検知器を用いたクランプエッジ検出のための文脈認識追跡戦略(CATS)を提案する。 実験により、提案したCATSは、局所化精度を向上させるため、現代の深部検出器に統合できることが示されている。
  論文  参考訳（メタデータ） (2020-11-19T13:30:15Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)
• Refined Plane Segmentation for Cuboid-Shaped Objects by Leveraging Edge Detection [63.942632088208505]
  本稿では,セグメント化された平面マスクを画像に検出されたエッジと整列するための後処理アルゴリズムを提案する。 これにより、立方体形状の物体に制限を加えながら、最先端のアプローチの精度を高めることができます。
  論文  参考訳（メタデータ） (2020-03-28T18:51:43Z)

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。