Fugu-MT 論文翻訳(概要): Post Processing of image segmentation using Conditional Random Fields

論文の概要: Post Processing of image segmentation using Conditional Random Fields

arxiv url: http://arxiv.org/abs/2510.09833v1
Date: Fri, 10 Oct 2025 20:07:54 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-14 18:06:29.641926
Title: Post Processing of image segmentation using Conditional Random Fields
Title（参考訳）: 条件付きランダム場を用いた画像分割のポストプロセッシング
Authors: Aashish Dhawan, Pankaj Bodani, Vishal Garg,
Abstract要約: 本研究では,分割画像の明瞭度を向上させるために,条件付ランダム場(CRF)を求める。提案手法は,低画質・高画質の衛星画像と高画質の航空写真という2つの異なるデータセットに対して評価した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The output of image the segmentation process is usually not very clear due to low quality features of Satellite images. The purpose of this study is to find a suitable Conditional Random Field (CRF) to achieve better clarity in a segmented image. We started with different types of CRFs and studied them as to why they are or are not suitable for our purpose. We evaluated our approach on two different datasets - Satellite imagery having low quality features and high quality Aerial photographs. During the study we experimented with various CRFs to find which CRF gives the best results on images and compared our results on these datasets to show the pitfalls and potentials of different approaches.
Abstract（参考訳）: 分割過程の出力は通常、衛星画像の低品質な特徴のため、あまり明確ではない。本研究の目的は,分割画像の明瞭度を向上させるために,条件付きランダム場(CRF)を求めることである。我々はまず、異なるタイプのCRFから始め、それらがなぜ我々の目的に適さないのかについて、それらを研究しました。提案手法は,低画質・高画質の衛星画像と高画質の航空写真という2つの異なるデータセットに対して評価した。研究では、画像上でどのCRFが最も良い結果を与えるかを調べるために様々なCRFを実験し、これらのデータセットの結果を比較して、異なるアプローチの落とし穴とポテンシャルを示しました。

関連論文リスト

NTIRE 2025 Challenge on Short-form UGC Video Quality Assessment and Enhancement: KwaiSR Dataset and Study [57.45921692668671]
我々は、KwaiSRと呼ばれるワイルドな画像超解像のための最初のベンチマークデータセットを構築した。このデータセットは、合成と野生の2つの部分からなるクウェープラットフォームから収集される。 KwaiSRデータセットに基づいて、第2の短いビデオ品質評価と改善に関するNTIRE 2025チャレンジを組織する。
論文参考訳（メタデータ） (2025-04-21T10:04:26Z)
Learning from Noisy Pseudo-labels for All-Weather Land Cover Mapping [20.979328369582486]
SAR画像は詳細な情報がなく、大きなスペックルノイズに悩まされている。近年、擬似ラベルを生成するために、ペアの光学SAR画像のアノテートが試みられている。半教師付き学習を新たな画像解像度アライメント拡張と共に組み込むことにより、擬似ラベルを生成するためのより正確な方法を提案する。
論文参考訳（メタデータ） (2025-04-18T04:24:47Z)
Rethinking Image Super-Resolution from Training Data Perspectives [54.28824316574355]
画像超解像(SR)におけるトレーニングデータの効果について検討する。そこで我々は,自動画像評価パイプラインを提案する。その結果, (i) 圧縮アーチファクトの少ないデータセット, (ii) 被写体数によって判断される画像内多様性の高いデータセット, (iii) ImageNet や PASS からの大量の画像がSR性能に肯定的な影響を与えることがわかった。
論文参考訳（メタデータ） (2024-09-01T16:25:04Z)
SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文参考訳（メタデータ） (2024-03-25T10:30:22Z)
High Dynamic Range Image Quality Assessment Based on Frequency Disparity [78.36555631446448]
高ダイナミックレンジ(HDR)画像に対する周波数差に基づく画像品質評価(IQA)アルゴリズムを提案する。提案したLGFMは、最先端HDR IQA法と比較して、主観的知覚との整合性が高い。
論文参考訳（メタデータ） (2022-09-06T08:22:13Z)
A No-Reference Deep Learning Quality Assessment Method for Super-resolution Images Based on Frequency Maps [39.58198651685851]
本稿では,周波数マップに基づく非参照ディープラーニング画像品質評価手法を提案する。まず、SRIの高周波マップ(HM)と低周波マップ(LM)を、Sobel演算子とスムーズな画像近似を用いて取得する。提案手法は,選択した3つの超解像品質評価(SRQA)データベース上で比較したIQAモデルよりも優れている。
論文参考訳（メタデータ） (2022-06-09T05:43:37Z)
Image Quality Assessment using Contrastive Learning [50.265638572116984]
我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
論文参考訳（メタデータ） (2021-10-25T21:01:00Z)
Learning Conditional Knowledge Distillation for Degraded-Reference Image Quality Assessment [157.1292674649519]
劣化参照IQA(DR-IQA)という実用的な解を提案する。 DR-IQAはIRモデルの入力、劣化したイメージを参照として利用する。私たちの結果は、フル参照設定のパフォーマンスに近いものもあります。
論文参考訳（メタデータ） (2021-08-18T02:35:08Z)
Semantic Segmentation by Improved Generative Adversarial Networks [0.0]
画像セマンティックセグメンテーションタスクの効果的な改善ソリューションとして、Convolutional CRF(ConvCRF)を紹介します。提案手法は,入力画像から対応する出力画像へのエンドツーエンドマッピングを学習するだけでなく,このマッピングをトレーニングするための損失関数も学習する。
論文参考訳（メタデータ） (2021-04-20T11:59:29Z)
Semantic Segmentation of Medium-Resolution Satellite Imagery using Conditional Generative Adversarial Networks [3.4797121357690153]
本稿では,高解像度衛星画像に対する画像と画像の変換手法として,CGAN(Conditional Generative Adversarial Networks)を提案する。 CGANモデルは、見当たらない不均衡なテストデータセットにおいて、同様の複雑性のCNNモデルよりもかなりのマージンで優れていることがわかった。
論文参考訳（メタデータ） (2020-12-05T18:18:45Z)
PolSAR Image Classification Based on Robust Low-Rank Feature Extraction and Markov Random Field [44.59934840513234]
我々は、低ランク(LR)特徴抽出によるスペックルノイズを除去し、マルコフランダムフィールド(MRF)によるスムーズさを強制する新しいPolSAR画像分類法を提案する。実験結果から,提案手法は有望な分類性能と良好な空間整合性を実現することが示唆された。
論文参考訳（メタデータ） (2020-09-13T07:38:12Z)

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。