論文の概要: Revisiting Generative Adversarial Networks for Binary Semantic
Segmentation on Imbalanced Datasets
- arxiv url: http://arxiv.org/abs/2402.02245v2
- Date: Thu, 7 Mar 2024 20:48:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-11 22:32:53.631343
- Title: Revisiting Generative Adversarial Networks for Binary Semantic
Segmentation on Imbalanced Datasets
- Title（参考訳）: 不均衡データセット上のバイナリ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生成逆ネットワークの再検討
- Authors: Lei Xu and Moncef Gabbouj
- Abstract要約: 異常き裂領域検出は典型的なバイナリセマンティックセグメンテーションタスクであり、アルゴリズムによって舗装面画像上のひび割れを表す画素を自動的に検出することを目的としている。
既存のディープラーニングベースの手法は、特定の公共舗装のデータセットで優れた結果を得たが、不均衡なデータセットでは性能が劇的に低下する。
画素レベルの異常き裂領域検出タスクに対して,条件付き生成逆ネットワーク(cGAN)に基づくディープラーニングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 20.538287907723713
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomalous crack region detection is a typical binary semantic segmentation
task, which aims to detect pixels representing cracks on pavement surface
images automatically by algorithms. Although existing deep learning-based
methods have achieved outcoming results on specific public pavement datasets,
the performance would deteriorate dramatically on imbalanced datasets. The
input datasets used in such tasks suffer from severely between-class imbalanced
problems, hence, it is a core challenge to obtain a robust performance on
diverse pavement datasets with generic deep learning models. To address this
problem, in this work, we propose a deep learning framework based on
conditional Generative Adversarial Networks (cGANs) for the anomalous crack
region detection tasks at the pixel level. In particular, the proposed
framework containing a cGANs and a novel auxiliary network is developed to
enhance and stabilize the generator's performance under two alternative
training stages, when estimating a multiscale probability feature map from
heterogeneous and imbalanced inputs iteratively. Moreover, several attention
mechanisms and entropy strategies are incorporated into the cGANs architecture
and the auxiliary network separately to mitigate further the performance
deterioration of model training on severely imbalanced datasets. We implement
extensive experiments on six accessible pavement datasets. The experimental
results from both visual and quantitative evaluation show that the proposed
framework can achieve state-of-the-art results on these datasets efficiently
and robustly without acceleration of computation complexity.
- Abstract（参考訳）: 異常き裂領域検出は、アルゴリズムによって舗装面画像のき裂を表す画素を自動的に検出することを目的とした、典型的なバイナリセマンティックセグメンテーションタスクである。
既存のディープラーニングベースの手法は、特定の公共舗装のデータセットで優れた結果を得たが、不均衡なデータセットでは性能が劇的に低下する。
このようなタスクで使用される入力データセットは、クラス間の不均衡な問題に苦しむため、汎用的なディープラーニングモデルを備えた多種多様な舗装データセットにおいて、堅牢なパフォーマンスを得ることが重要な課題である。
この問題に対処するため,本研究では,画素レベルの異常き裂領域検出タスクに対して,条件付き生成逆数ネットワーク(cGAN)に基づくディープラーニングフレームワークを提案する。
特に,ヘテロジニアス入力と不均衡入力から多元的確率特徴マップを反復的に推定する場合に,cgansと新しい補助ネットワークを含むフレームワークを開発し,2つの代替訓練段階において発電機の性能を向上・安定化する。
さらに,cGANsアーキテクチャと補助ネットワークにいくつかの注意機構とエントロピー戦略を組み込んで,重度の不均衡データセット上でのモデルトレーニングの性能劣化を軽減する。
6つのアクセス可能な舗装データセットについて広範な実験を行った。
視覚的および定量的評価の両方による実験結果から,提案するフレームワークは,計算複雑性の加速を伴わずに,これらのデータセットの最先端結果を効率的にかつ堅牢に達成できることが示唆された。
関連論文リスト
- Imbalance-Aware Culvert-Sewer Defect Segmentation Using an Enhanced Feature Pyramid Network [1.7466076090043157]
本稿では,不均衡なデータセット内での変質管と下水道管のセマンティックセグメンテーションの深層学習モデルを提案する。
このモデルは、データセットの不均衡に対応するために、クラス分解やデータ拡張のような戦略を採用している。
E-FPNが最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2024-08-19T17:40:18Z) - Heterogeneous Learning Rate Scheduling for Neural Architecture Search on Long-Tailed Datasets [0.0]
本稿では,DARTSのアーキテクチャパラメータに適した適応学習率スケジューリング手法を提案する。
提案手法は,学習エポックに基づくアーキテクチャパラメータの学習率を動的に調整し,よく訓練された表現の破壊を防止する。
論文 参考訳（メタデータ） (2024-06-11T07:32:25Z) - GASE: Graph Attention Sampling with Edges Fusion for Solving Vehicle Routing Problems [6.084414764415137]
車両のルーティング問題を解決するためにEdges Fusionフレームワークを用いた適応型グラフ注意サンプリングを提案する。
提案手法は,既存の手法を2.08%-6.23%上回り,より強力な一般化能力を示す。
論文 参考訳（メタデータ） (2024-05-21T03:33:07Z) - Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。
マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。
提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
論文 参考訳（メタデータ） (2023-08-28T18:48:34Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳（メタデータ） (2022-06-06T14:26:34Z) - Hierarchical Convolutional Neural Network with Feature Preservation and
Autotuned Thresholding for Crack Detection [5.735035463793008]
ドローンの画像はインフラ表面の欠陥の自動検査にますます使われている。
本稿では,階層型畳み込みニューラルネットワークを用いた深層学習手法を提案する。
提案手法は, 道路, 橋, 舗装の表面ひび割れの同定に応用されている。
論文 参考訳（メタデータ） (2021-04-21T13:07:58Z) - Robust Self-Ensembling Network for Hyperspectral Image Classification [38.84831094095329]
この問題に対処するために,ロバストな自己認識ネットワーク(RSEN)を提案する。
rsenはベースネットワークとアンサンブルネットワークを含む2つのワークから成り立っている。
提案アルゴリズムは, 最先端手法と比較して, 競争性能を向上できることを示す。
論文 参考訳（メタデータ） (2021-04-08T13:33:14Z) - InverseForm: A Loss Function for Structured Boundary-Aware Segmentation [80.39674800972182]
逆変換ネットワークを用いたセマンティックセグメンテーションのための新しい境界認識損失項を提案する。
このプラグイン損失項は境界変換の捕捉におけるクロスエントロピー損失を補完する。
室内および屋外のセグメンテーションベンチマークにおける損失関数の定量的および定性的効果を解析した。
論文 参考訳（メタデータ） (2021-04-06T18:52:45Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳（メタデータ） (2020-07-07T18:25:25Z) - Deep Semantic Matching with Foreground Detection and Cycle-Consistency [103.22976097225457]
深層ネットワークに基づく弱い教師付きセマンティックマッチングに対処する。
本研究では,背景乱れの影響を抑えるために,前景領域を明示的に推定する。
複数の画像にまたがって予測変換を強制し、幾何的に可視かつ一貫したサイクル一貫性の損失を発生させる。
論文 参考訳（メタデータ） (2020-03-31T22:38:09Z)
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。