Fugu-MT 論文翻訳(概要): Msmsfnet: a multi-stream and multi-scale fusion net for edge detection

論文の概要: Msmsfnet: a multi-stream and multi-scale fusion net for edge detection

arxiv url: http://arxiv.org/abs/2404.04856v1
Date: Sun, 7 Apr 2024 08:03:42 GMT
ステータス: 処理完了
システム内更新日: 2024-04-09 19:20:53.172509
Title: Msmsfnet: a multi-stream and multi-scale fusion net for edge detection
Title（参考訳）: エッジ検出のためのマルチストリーム・マルチスケール融合ネットMsmsfnet
Authors: Chenguang Liu, Chisheng Wang, Feifei Dong, Xin Su, Chuanhua Zhu, Dejin Zhang, Qingquan Li,
Abstract要約: エッジ検出は、コンピュータビジョンにおける長年の課題である。最近のディープラーニングベースのアルゴリズムは、公開データセットで最先端のパフォーマンスを実現する。我々は、現在最先端のディープラーニングベースのエッジ検出器によって、スクラッチからトレーニングされたときに、公開データセットで達成できる性能について検討する。
参考スコア（独自算出の注目度）: 6.4599872230835045
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Edge detection is a long standing problem in computer vision. Recent deep learning based algorithms achieve state of-the-art performance in publicly available datasets. Despite the efficiency of these algorithms, their performance, however, relies heavily on the pretrained weights of the backbone network on the ImageNet dataset. This limits heavily the design space of deep learning based edge detectors. Whenever we want to devise a new model, we have to train this new model on the ImageNet dataset first, and then fine tune the model using the edge detection datasets. The comparison would be unfair otherwise. However, it is usually not feasible for many researchers to train a model on the ImageNet dataset due to the limited computation resources. In this work, we study the performance that can be achieved by state-of-the-art deep learning based edge detectors in publicly available datasets when they are trained from scratch, and devise a new network architecture, the multi-stream and multi scale fusion net (msmsfnet), for edge detection. We show in our experiments that by training all models from scratch to ensure the fairness of comparison, out model outperforms state-of-the art deep learning based edge detectors in three publicly available datasets.
Abstract（参考訳）: エッジ検出は、コンピュータビジョンにおける長年の課題である。近年のディープラーニングに基づくアルゴリズムは、公開データセットにおける最先端のパフォーマンスを実現する。これらのアルゴリズムの効率にもかかわらず、その性能はImageNetデータセット上のバックボーンネットワークの事前訓練された重みに大きく依存している。これにより、ディープラーニングベースのエッジ検出器の設計スペースが大幅に制限される。新しいモデルを考案したいときは、まずImageNetデータセットでこの新しいモデルをトレーニングし、それからエッジ検出データセットを使用してモデルを微調整する必要があります。この比較は、さもなくば不公平だろう。しかし、多くの研究者が限られた計算資源のためにImageNetデータセットでモデルをトレーニングすることは不可能である。本研究では,現在最先端のディープラーニングに基づくエッジ検出器を用いて,スクラッチからトレーニングしたデータセットを公開し,新たなネットワークアーキテクチャ,マルチストリームおよびマルチスケールフュージョンネット(msmsfnet)を考案し,エッジ検出を行う。実験では、すべてのモデルをスクラッチからトレーニングすることで、比較の公正性を確保することで、最先端のディープラーニングベースのエッジ検出器を3つの公開データセットで上回ります。

関連論文リスト

Rethinking Transformers Pre-training for Multi-Spectral Satellite Imagery [78.43828998065071]
教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
論文参考訳（メタデータ） (2024-03-08T16:18:04Z)
Dataset Quantization [72.61936019738076]
大規模データセットを小さなサブセットに圧縮する新しいフレームワークであるデータセット量子化(DQ)を提案する。 DQは、ImageNet-1kのような大規模データセットを最先端圧縮比で蒸留する最初の方法である。
論文参考訳（メタデータ） (2023-08-21T07:24:29Z)
Tiny and Efficient Model for the Edge Detection Generalization [0.0]
提案するTiny and Efficient Edge Detector(TEED)は,パラメータが5,8Kドルの軽量畳み込みニューラルネットワークである。 BIPEDデータセットのトレーニングには30分以上かかり、各エポックは5分未満である。提案したモデルは訓練が容易で,予測されたエッジマップはクオリティが高く,初期のごく一部のエポック内に急速に収束する。
論文参考訳（メタデータ） (2023-08-12T05:23:36Z)
Robustifying Deep Vision Models Through Shape Sensitization [19.118696557797957]
そこで本研究では,ネットワークの全体像を学習するためのインセンティブを明示的に付与する,シンプルで軽量な対向拡張手法を提案する。我々の拡張は、ランダムに決定された混合比を用いて、シャッフルパッチで、ある画像から別の画像へのエッジマップを重畳する。この拡張により,データセットやニューラルアーキテクチャの分類精度とロバストネスが大幅に向上することを示す。
論文参考訳（メタデータ） (2022-11-14T11:17:46Z)
Out of Distribution Detection on ImageNet-O [0.0]
Out of Distribution(OOD)検出は、マシンラーニングシステムを堅牢化するための重要な部分である。 ImageNet-Oデータセットは、ImageNetトレーニングされたディープニューラルネットワークの堅牢性をテストする上で重要なツールである。我々は ImageNet-O 上で OOD 検出手法の比較解析を行うことを目標としている。
論文参考訳（メタデータ） (2022-01-23T20:02:08Z)
Change Detection from Synthetic Aperture Radar Images via Graph-Based Knowledge Supplement Network [36.41983596642354]
画像変化検出のためのグラフベースの知識補足ネットワーク(GKSNet)を提案する。より具体的には、既存のラベル付きデータセットから識別情報を付加的な知識として抽出する。提案手法を検証するために,4つのSARデータセットについて広範な実験を行った。
論文参考訳（メタデータ） (2022-01-22T02:50:50Z)
Efficient deep learning models for land cover image classification [0.29748898344267777]
土地利用土地被覆(LULC)画像分類のためのBigEarthNetデータセットを用いて実験を行った。コンボリューションニューラルネットワーク、マルチ層パーセプトロン、ビジュアルトランスフォーマー、効率的なネットワーク、ワイド残留ネットワーク(WRN)など、さまざまな最先端モデルをベンチマークする。提案する軽量モデルは、訓練可能なパラメータが桁違いに小さく、平均的なFスコア分類精度が19のLULCクラスすべてに対して4.5%向上し、ベースラインとして使用するResNet50の2倍高速に訓練される。
論文参考訳（メタデータ） (2021-11-18T00:03:14Z)
Pixel Difference Networks for Efficient Edge Detection [71.03915957914532]
本稿では,Pixel Difference Network (PiDiNet) という軽量かつ効率的なエッジ検出アーキテクチャを提案する。 BSDS500、NYUD、Multicueのデータセットに関する大規模な実験が、その効果を示すために提供されている。 0.1M未満のパラメータを持つPiDiNetのより高速なバージョンは、200FPSのアーティファクトで同等のパフォーマンスを達成できる。
論文参考訳（メタデータ） (2021-08-16T10:42:59Z)
Self-supervised Audiovisual Representation Learning for Remote Sensing Data [96.23611272637943]
遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-08-02T07:50:50Z)
Stereo Matching by Self-supervision of Multiscopic Vision [65.38359887232025]
カメラ位置の整列で撮影した複数の画像を利用したステレオマッチングのための新しい自己監視フレームワークを提案する。ネットワークを最適化するために、クロスフォトメトリックロス、不確実性を認識した相互監督損失、および新しい平滑性損失が導入されます。我々のモデルは、KITTIデータセット上の以前の教師なし手法よりも、より良い不均一性マップを得る。
論文参考訳（メタデータ） (2021-04-09T02:58:59Z)
From ImageNet to Image Classification: Contextualizing Progress on Benchmarks [99.19183528305598]
ImageNet作成プロセスにおける特定の設計選択が、結果のデータセットの忠実性に与える影響について検討する。私たちの分析では、ノイズの多いデータ収集パイプラインが、結果のベンチマークと、それがプロキシとして機能する実世界のタスクとの間に、体系的なミスアライメントをもたらす可能性があることを指摘しています。
論文参考訳（メタデータ） (2020-05-22T17:39:16Z)

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。