Fugu-MT 論文翻訳(概要): Learning to utilize image second-order derivative information for crisp edge detection

論文の概要: Learning to utilize image second-order derivative information for crisp edge detection

arxiv url: http://arxiv.org/abs/2406.05779v3
Date: Fri, 28 Jun 2024 14:53:06 GMT
ステータス: 処理完了
システム内更新日: 2024-07-01 21:05:30.249068
Title: Learning to utilize image second-order derivative information for crisp edge detection
Title（参考訳）: 画像二階微分情報を用いたクロップエッジ検出の学習
Authors: Changsong Liu, Wei Zhang, Yanyan Liu, Yimeng Fan, Mingyang Li, Wenlin Li,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 13.848361661516595
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Edge detection is a fundamental task in computer vision. It has made great progress under the development of deep convolutional neural networks (DCNNs), some of which have achieved a beyond human-level performance. However, recent top-performing edge detection methods tend to generate thick and noisy edge lines. In this work, we solve this problem from two aspects: (1) the lack of prior knowledge regarding image edges, and (2) the issue of imbalanced pixel distribution. We propose a second-order derivative-based multi-scale contextual enhancement module (SDMCM) to help the model locate true edge pixels accurately by introducing the edge prior knowledge. We also construct a hybrid focal loss function (HFL) to alleviate the imbalanced distribution issue. In addition, we employ the conditionally parameterized convolution (CondConv) to develop a novel boundary refinement module (BRM), which can further refine the final output edge maps. In the end, we propose a U-shape network named LUS-Net which is based on the SDMCM and BRM for crisp edge detection. We perform extensive experiments on three standard benchmarks, and the experiment results illustrate that our method can predict crisp and clean edge maps and achieves state-of-the-art performance on the BSDS500 dataset (ODS=0.829), NYUD-V2 dataset (ODS=0.768), and BIPED dataset (ODS=0.903).
Abstract（参考訳）: エッジ検出はコンピュータビジョンの基本課題である。深層畳み込みニューラルネットワーク(DCNN)の開発において大きな進歩を遂げた。しかし、近年の最先端エッジ検出手法は、厚くノイズの多いエッジ線を生成する傾向にある。本研究では,(1)画像エッジに関する事前知識の欠如,(2)不均衡な画素分布の問題という2つの側面からこの問題を解決する。本稿では,モデルがエッジ事前知識を導入することにより,真のエッジ画素の正確な位置決定を支援するための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。さらに、条件パラメータ化畳み込み(CondConv)を用いて、最終的な出力エッジマップをさらに洗練する新しい境界改善モジュール(BRM)を開発する。最後に,SDMCMとBRMをベースとしたLUS-NetというU字型ネットワークを提案する。提案手法は, BSDS500 データセット (ODS=0.829), NYUD-V2 データセット (ODS=0.768), BIPED データセット (ODS=0.903) の3つの標準ベンチマークに対して広範な実験を行った。

関連論文リスト

3D Neural Edge Reconstruction [61.10201396044153]
本研究では,線と曲線に焦点をあてて3次元エッジ表現を学習する新しい手法であるEMAPを紹介する。多視点エッジマップから無符号距離関数(UDF)の3次元エッジ距離と方向を暗黙的に符号化する。この神経表現の上に、推定されたエッジ点とその方向から3次元エッジを頑健に抽象化するエッジ抽出アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-05-29T17:23:51Z)
The Devil is in the Edges: Monocular Depth Estimation with Edge-aware Consistency Fusion [30.03608191629917]
本稿では,高品質な単分子深度を鮮明なエッジで推定し,単一のRGB画像から全体構造を検証し,新しい単分子深度推定手法 ECFNet を提案する。我々は,MDEネットワークのエッジ深度推定に影響を及ぼす重要な要因について徹底的な調査を行い,エッジ情報自体が深度予測において重要な役割を担っていることを示す。
論文参考訳（メタデータ） (2024-03-30T13:58:19Z)
NeRF-Det++: Incorporating Semantic Cues and Perspective-aware Depth Supervision for Indoor Multi-View 3D Detection [72.0098999512727]
NeRF-Detは、NeRFを用いた屋内マルチビュー3次元検出において、表現学習の強化による優れた性能を実現している。セマンティックエンハンスメント(セマンティックエンハンスメント)、パースペクティブ・アウェア・サンプリング(パースペクティブ・アウェア・サンプリング)、および順序深度監視を含む3つのソリューションを提案する。結果として得られたアルゴリズムであるNeRF-Det++は、ScanNetV2とAR KITScenesデータセットで魅力的なパフォーマンスを示している。
論文参考訳（メタデータ） (2024-02-22T11:48:06Z)
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)
Improving Pixel-based MIM by Reducing Wasted Modeling Capability [77.99468514275185]
浅い層から低レベルの特徴を明示的に利用して画素再構成を支援する手法を提案する。私たちの知る限りでは、等方的アーキテクチャのためのマルチレベル特徴融合を体系的に研究するのは、私たちは初めてです。提案手法は, 微調整では1.2%, 線形探索では2.8%, セマンティックセグメンテーションでは2.6%など, 大幅な性能向上をもたらす。
論文参考訳（メタデータ） (2023-08-01T03:44:56Z)
Learning Weighting Map for Bit-Depth Expansion within a Rational Range [64.15915577164894]
ビット深化(BDE)は、低ビット深化(LBD)ソースから高ビット深化(HBD)画像を表示する新興技術の1つである。既存のBDEメソッドは、様々なBDE状況に対して統一的なソリューションを持っていない。我々は,各画素の重みを求めるためにビット復元ネットワーク(BRNet)を設計し,補充値の比率を合理的範囲内で示す。
論文参考訳（メタデータ） (2022-04-26T02:27:39Z)
One-Stage Deep Edge Detection Based on Dense-Scale Feature Fusion and Pixel-Level Imbalance Learning [5.370848116287344]
後処理なしで高品質なエッジ画像を生成することができる一段階ニューラルネットワークモデルを提案する。提案モデルでは、トレーニング済みのニューラルモデルをエンコーダとして使用する古典的なエンコーダデコーダフレームワークを採用している。本稿では,エッジ画像の画素レベルの不均衡に対処する新たな損失関数を提案する。
論文参考訳（メタデータ） (2022-03-17T15:26:00Z)
Adaptive Context-Aware Multi-Modal Network for Depth Completion [107.15344488719322]
我々は,観測された空間コンテキストを捉えるために,グラフ伝搬を採用することを提案する。次に、注意機構を伝搬に適用し、ネットワークが文脈情報を適応的にモデル化することを奨励する。最後に、抽出したマルチモーダル特徴を効果的に活用するための対称ゲート融合戦略を導入する。本稿では,Adaptive Context-Aware Multi-Modal Network (ACMNet) を2つのベンチマークで評価した。
論文参考訳（メタデータ） (2020-08-25T06:00:06Z)
Learning Crisp Edge Detector Using Logical Refinement Network [29.59728791893451]
本稿では,セグメント化とエッジマップの論理的関係を動機とした,クリップエッジ検出のための新しい論理改良ネットワークを提案する。このネットワークは、結合オブジェクトとエッジ検出ネットワークと、より正確で、よりクリアで、より薄い高品質のバイナリエッジマップを予測するクリップエッジリファインメントネットワークで構成されている。
論文参考訳（メタデータ） (2020-07-24T11:12:48Z)
Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。 SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
論文参考訳（メタデータ） (2020-02-11T14:04:56Z)

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。