論文の概要: Superpixel Integrated Grids for Fast Image Segmentation

• arxiv url: http://arxiv.org/abs/2510.06487v1
• Date: Tue, 07 Oct 2025 22:02:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.214751
• Title: Superpixel Integrated Grids for Fast Image Segmentation
• Title（参考訳）: 高速画像分割のためのスーパーピクセル統合グリッド
• Authors: Jack Roberts, Jeova Farias Sales Rocha Neto,
• Abstract要約: セグメンテーションタスクにおけるフル解像度画像の代替として,新しいスーパーピクセルベースデータ構造SIGRIDを導入する。 SIGRIDは、古典的な形状記述子を活用することにより、入力寸法を著しく減少させながら、スーパーピクセルの色情報と形状情報を符号化する。
• 参考スコア（独自算出の注目度）: 0.07639235704257864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Superpixels have long been used in image simplification to enable more efficient data processing and storage. However, despite their computational potential, their irregular spatial distribution has often forced deep learning approaches to rely on specialized training algorithms and architectures, undermining the original motivation for superpixelations. In this work, we introduce a new superpixel-based data structure, SIGRID (Superpixel-Integrated Grid), as an alternative to full-resolution images in segmentation tasks. By leveraging classical shape descriptors, SIGRID encodes both color and shape information of superpixels while substantially reducing input dimensionality. We evaluate SIGRIDs on four benchmark datasets using two popular convolutional segmentation architectures. Our results show that, despite compressing the original data, SIGRIDs not only match but in some cases surpass the performance of pixel-level representations, all while significantly accelerating model training. This demonstrates that SIGRIDs achieve a favorable balance between accuracy and computational efficiency.
• Abstract（参考訳）: スーパーピクセルは、より効率的なデータ処理とストレージを可能にするために、画像の単純化に長い間使われてきた。 しかし、その計算可能性にもかかわらず、その不規則な空間分布は、深層学習アプローチを特別な訓練アルゴリズムやアーキテクチャに頼らざるを得ず、スーパーピクセルの本来の動機を損なうことも多い。 本研究では,セグメント化タスクにおけるフル解像度画像の代替として,SIGRID(Superpixel-Integrated Grid)という新たなスーパーピクセルベースのデータ構造を導入する。 SIGRIDは、古典的な形状記述子を活用することにより、入力寸法を著しく減少させながら、スーパーピクセルの色情報と形状情報を符号化する。 2つの一般的な畳み込みセグメンテーションアーキテクチャを用いて、SIGRIDを4つのベンチマークデータセット上で評価する。 この結果から, SIGRIDは, 元のデータを圧縮しているにも関わらず, 一致しただけでなく, 画素レベルの表現性能を上回る場合もあり, モデルトレーニングの高速化が図られた。 これにより、SIGRIDは精度と計算効率のバランスが良好であることが示される。

関連論文リスト

• Superpixel Anything: A general object-based framework for accurate yet regular superpixel segmentation [1.121518046252855]
  SPAM(SuperPixel Anything Model)は、画像を正確にかつ通常のスーパーピクセルに分割するための汎用的なフレームワークである。 我々は,オブジェクトマスクとスーパーピクセルの整合性を確保するために,意味非依存のセグメンテーションのための大規模事前学習モデルを活用する。 SPAMは以前のハイレベルセグメンテーションを処理でき、不確実領域を解決し、特定のオブジェクトにインタラクティブにフォーカスすることができる。
  論文  参考訳（メタデータ） (2025-09-16T08:09:24Z)
• Structural-Spectral Graph Convolution with Evidential Edge Learning for Hyperspectral Image Clustering [73.01141916544103]
  ハイパースペクトル画像(HSI)クラスタリングは、アノテーションなしで同様のピクセルを同じクラスに割り当てる。 既存のグラフニューラルネットワーク(GNN)は、入力されたHSIのスペクトル情報を十分に活用できない。 グラフ構造化HSIスーパーピクセルに適した構造スペクトルグラフ畳み込み演算子(SSGCO)を提案する。
  論文  参考訳（メタデータ） (2025-06-11T16:41:34Z)
• Hierarchical Superpixel Segmentation via Structural Information Theory [48.488598357738674]
  スーパーピクセルセグメンテーションは多くの高レベルのコンピュータビジョンタスクの基礎となっている。 構造情報理論に基づく階層的スーパーピクセルセグメンテーション手法であるSIT-HSSを提案する。 SIT-HSSは、最先端の教師なしスーパーピクセルセグメンテーションアルゴリズムよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2025-01-13T05:39:43Z)
• Image-GS: Content-Adaptive Image Representation via 2D Gaussians [52.598772767324036]
  本稿では,2次元ガウス放射率に基づくコンテンツ適応型画像表現であるImage-GSを紹介する。 リアルタイム使用のためにハードウェアフレンドリーな高速アクセスをサポートし、ピクセルをデコードするためには0.3KのMACしか必要としない。 テクスチャ圧縮、セマンティクス対応圧縮、共同画像圧縮と復元など、いくつかのアプリケーションでその汎用性を実証する。
  論文  参考訳（メタデータ） (2024-07-02T00:45:21Z)
• Efficient Visual State Space Model for Image Deblurring [99.54894198086852]
  畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、画像復元において優れた性能を発揮している。 本稿では,画像のデブロアに対する簡易かつ効果的な視覚状態空間モデル(EVSSM)を提案する。 提案したEVSSMは、ベンチマークデータセットや実世界の画像に対する最先端の手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2024-05-23T09:13:36Z)
• Superpixel Graph Contrastive Clustering with Semantic-Invariant Augmentations for Hyperspectral Images [73.01141916544103]
  ハイパースペクトル画像(HSI)クラスタリングは重要な課題だが難しい課題である。 まず3次元と2次元のハイブリッド畳み込みニューラルネットワークを用いてHSIの高次空間およびスペクトルの特徴を抽出する。 次に,超画素グラフの対比クラスタリングモデルを設計し,識別的超画素表現を学習する。
  論文  参考訳（メタデータ） (2024-03-04T07:40:55Z)
• Superpixel Transformers for Efficient Semantic Segmentation [32.537400525407186]
  本稿では,画像の過剰部分化というスーパーピクセルの考え方を活用し,近代的なトランスフォーマーフレームワークでそれらを適用することによって,その解決策を提案する。 提案手法は,グローバルな自己認識機構によって生成されるリッチなスーパーピクセル特徴により,セマンティックセマンティックセグメンテーションにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-09-28T23:09:30Z)
• Unsupervised Superpixel Generation using Edge-Sparse Embedding [18.92698251515116]
  特徴に対する画素の類似性に基づいて画像をスーパーピクセルに分割することは、データの複雑さを著しく減らし、その後の画像処理タスクを改善する。 コントラストの少ない非畳み込み画像デコーダを提案し、再構成画像にスムーズで接続されたエッジを強制する。 我々はデコーダの最後に隠された層から、余分な空間情報をスムーズなアクティベーションマップに符号化してエッジスパース画素埋め込みを生成し、標準クラスタリングアルゴリズムを用いて高品質なスーパーピクセルを抽出する。
  論文  参考訳（メタデータ） (2022-11-28T15:55:05Z)
• Saliency Enhancement using Superpixel Similarity [77.34726150561087]
  Saliency Object Detection (SOD) は画像解析にいくつかの応用がある。 深層学習に基づくSOD法は最も効果的であるが、類似した色を持つ前景の部品を見逃すことがある。 スーパーピクセル類似性(SESS)に対するtextitSaliency Enhancement というポストプロセッシング手法を導入する。 我々は,SESSが5つの画像データセット上での3つのディープラーニングに基づくSOD手法の結果を連続的に,かつ著しく改善できることを実証した。
  論文  参考訳（メタデータ） (2021-12-01T17:22:54Z)
• Implicit Integration of Superpixel Segmentation into Fully Convolutional Networks [11.696069523681178]
  スーパーピクセル方式をCNNに暗黙的に統合する方法を提案する。 提案手法では,下地層に画素を階層的にグループ化し,スーパーピクセルを生成する。 本手法は,セマンティックセグメンテーション,スーパーピクセルセグメンテーション,モノクル深度推定などのタスクで評価する。
  論文  参考訳（メタデータ） (2021-03-05T02:20:26Z)
• Superpixel Segmentation with Fully Convolutional Networks [32.878045921919714]
  本稿では,通常の画像グリッド上でのスーパーピクセルの予測に完全畳み込みネットワークを用いる新しい手法を提案する。 ベンチマーク・データセットによる実験結果から,提案手法は最先端のスーパーピクセル・セグメンテーション性能を実現することが示された。 ステレオマッチングのための人気のあるネットワークアーキテクチャを改良し、スーパーピクセルと格差を同時に予測する。
  論文  参考訳（メタデータ） (2020-03-29T02:42:07Z)

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。