論文の概要: Learning Ordinality in Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2407.20959v1
• Date: Tue, 30 Jul 2024 16:36:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-31 16:30:51.613920
• Title: Learning Ordinality in Semantic Segmentation
• Title（参考訳）: セマンティックセグメンテーションにおける学習規則
• Authors: Rafael Cristino, Ricardo P. M. Cruz, Jaime S. Cardoso,
• Abstract要約: 瞳孔は虹彩の中にあり、車線標識は道路の内側にあることが知られている。 従来のディープラーニングモデルは、手元にドメインに存在する可能性のある順序関係を生かしていない。 本稿では,各画素を独立観察として扱い,その表現における順序性を促進する画素単位の順序分節法を提案する。
• 参考スコア（独自算出の注目度）: 3.017721041662511
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic segmentation consists of predicting a semantic label for each image pixel. Conventional deep learning models do not take advantage of ordinal relations that might exist in the domain at hand. For example, it is known that the pupil is inside the iris, and the lane markings are inside the road. Such domain knowledge can be employed as constraints to make the model more robust. The current literature on this topic has explored pixel-wise ordinal segmentation methods, which treat each pixel as an independent observation and promote ordinality in its representation. This paper proposes novel spatial ordinal segmentation methods, which take advantage of the structured image space by considering each pixel as an observation dependent on its neighborhood context to also promote ordinal spatial consistency. When evaluated with five biomedical datasets and multiple configurations of autonomous driving datasets, ordinal methods resulted in more ordinally-consistent models, with substantial improvements in ordinal metrics and some increase in the Dice coefficient. It was also shown that the incorporation of ordinal consistency results in models with better generalization abilities.
• Abstract（参考訳）: セマンティックセグメンテーションは、各画像ピクセルのセマンティックラベルを予測することで構成される。 従来のディープラーニングモデルは、手元にドメインに存在する可能性のある順序関係を生かしていない。 例えば、瞳孔は虹彩の内側にあり、車線標識は道路の内側にあることが知られている。 このようなドメイン知識は、モデルをより堅牢にするための制約として利用することができる。 この話題に関する現在の文献は、各ピクセルを独立した観察として扱い、その表現における順序性を促進するピクセル単位の順序分節法を探求している。 本稿では,各画素を周辺環境に依存した観察として考慮し,空間空間の空間的整合性も促進する,新しい空間的順序分割法を提案する。 5つのバイオメディカルデータセットと自律運転データセットの複数構成で評価すると、規則的手法はより規則的に一貫性のあるモデルとなり、順序的指標は大幅に改善され、Dice係数は若干向上した。 また、順序整合性の導入により、より優れた一般化能力を持つモデルが得られることを示した。

関連論文リスト

• Learning Semantic Segmentation with Query Points Supervision on Aerial Images [57.09251327650334]
  セマンティックセグメンテーションアルゴリズムを学習するための弱教師付き学習アルゴリズムを提案する。 提案手法は正確なセマンティックセグメンテーションを行い,手作業のアノテーションに要するコストと時間を大幅に削減することで効率を向上する。
  論文  参考訳（メタデータ） (2023-09-11T14:32:04Z)
• Unsupervised Domain Adaptation for Medical Image Segmentation via Feature-space Density Matching [0.0]
  本稿ではセマンティックセグメンテーションのための教師なしドメイン適応手法を提案する。 対象データ分布を特徴空間のソースとマッチングする。 提案手法の有効性を2つのデータセット,多部位前立腺MRI,病理組織像に示す。
  論文  参考訳（メタデータ） (2023-05-09T22:24:46Z)
• SePiCo: Semantic-Guided Pixel Contrast for Domain Adaptive Semantic Segmentation [52.62441404064957]
  ドメイン適応セマンティックセグメンテーションは、ラベル付きソースドメインでトレーニングされたモデルを利用することで、ラベル付きターゲットドメイン上で満足のいく密度の予測を試みる。 多くの手法は、ノイズの多い擬似ラベルを緩和する傾向があるが、類似のセマンティックな概念を持つクロスドメインピクセル間の固有の接続を無視する。 本稿では,個々の画素のセマンティックな概念を強調する一段階適応フレームワークSePiCoを提案する。
  論文  参考訳（メタデータ） (2022-04-19T11:16:29Z)
• Unsupervised Image Segmentation by Mutual Information Maximization and Adversarial Regularization [7.165364364478119]
  InMARS(Information Maximization and Adrial Regularization)と呼ばれる新しい教師なしセマンティックセマンティックセマンティクス手法を提案する。 シーンを知覚群に解析する人間の知覚に触発され、提案手法はまず、入力画像を意味のある領域(スーパーピクセルとも呼ばれる)に分割する。 次に、相互情報最大化(Multual-Information-Maximization)と、それらの領域を意味論的に意味のあるクラスにクラスタ化するための敵対的トレーニング戦略を利用する。 提案手法は2つの非教師付きセマンティックセグメンテーションデータセット上での最先端性能を実現することを実証した。
  論文  参考訳（メタデータ） (2021-07-01T18:36:27Z)
• Attention-Guided Supervised Contrastive Learning for Semantic Segmentation [16.729068267453897]
  画素ごとの予測タスクでは、セグメンテーションのために1つのイメージに複数のラベルが存在する可能性がある。 本研究では,1つの意味的対象を目標として毎回強調する,注意誘導型教師付きコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2021-06-03T05:01:11Z)
• Semantic Distribution-aware Contrastive Adaptation for Semantic Segmentation [50.621269117524925]
  ドメイン適応セマンティックセグメンテーション(ドメイン適応セマンティックセグメンテーション)とは、特定のソースドメインのアノテーションだけで特定のターゲットドメイン上で予測を行うことを指す。 画素ワイド表示アライメントを可能にする意味分布対応コントラスト適応アルゴリズムを提案する。 複数のベンチマークでSDCAを評価し、既存のアルゴリズムを大幅に改善します。
  論文  参考訳（メタデータ） (2021-05-11T13:21:25Z)
• Unsupervised Learning of Image Segmentation Based on Differentiable Feature Clustering [14.074732867392008]
  本研究では、教師なし画像分割における畳み込みニューラルネットワーク(CNN)の利用について検討した。 本稿では、正規化と、微分可能なクラスタリングのためのargmax関数からなる、教師なし画像セグメンテーションのエンドツーエンドネットワークを提案する。 第3に,既存の手法よりも精度がよいユーザ入力として,スクリブルを用いたセグメント化手法の拡張を提案する。
  論文  参考訳（メタデータ） (2020-07-20T10:28:36Z)
• Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation [128.03739769844736]
  2つのニューラルコアテンションを分類器に組み込んで、画像間のセマンティックな類似点と相違点をキャプチャする。 オブジェクトパターン学習の強化に加えて、コアテンションは他の関連する画像からのコンテキストを活用して、ローカライズマップの推論を改善することができる。 提案アルゴリズムは,これらすべての設定に対して新たな最先端性を設定し,その有効性と一般化性を示す。
  論文  参考訳（メタデータ） (2020-07-03T21:53:46Z)
• Phase Consistent Ecological Domain Adaptation [76.75730500201536]
  意味的セグメンテーション(意味的セグメンテーション)の課題に焦点をあてる。そこでは、注釈付き合成データが多用されるが、実際のデータへのアノテートは困難である。 視覚心理学に触発された最初の基準は、2つの画像領域間の地図が位相保存であることである。 第2の基準は、照明剤や撮像センサーの特性に関わらず、その画像に現れる環境統計、またはシーン内の規則を活用することを目的としている。
  論文  参考訳（メタデータ） (2020-04-10T06:58:03Z)
• Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
  弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。 このようなペア関係を学習するための反復アルゴリズムを提案する。 本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
  論文  参考訳（メタデータ） (2020-02-19T10:32:03Z)

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。