論文の概要: Region Aware Squeeze-and-Excitation Networks for Image Segmentation

• arxiv url: http://arxiv.org/abs/2610.15079v1
• Date: Sat, 10 Oct 2026 17:24:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 02:37:55.732728
• Title: Region Aware Squeeze-and-Excitation Networks for Image Segmentation
• Title（参考訳）: 画像セグメンテーションのための領域認識型Squeeze-and-Excitation Networks
• Abstract要約: Squeeze-and-Excitation (SE)モジュールはチャネル依存性をモデル化することで畳み込みネットワークを改善するが、グローバル平均プールは空間構造を1つのチャネルごとの記述子に分解する。 グローバルプールを空間誘導型プールに置き換えてSEを一般化し、地域対応チャネル再校正を可能にする。
• 参考スコア（独自算出の注目度）: 0.0622199181056581
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Squeeze-and-Excitation (SE) modules improve convolutional networks by modeling channel-wise dependencies, but global average pooling collapses spatial structure into a single per-channel descriptor, limiting their effectiveness for dense prediction tasks such as image segmentation. We generalize SE by replacing global pooling with spatially guided pooling, enabling region-aware channel recalibration through four modules with complementary cost profiles. BASE formalizes Tiled Squeeze-and-Excite using a regular grid; SPASE pools over SLIC superpixels for image-adaptive regions; MAPSE obtains regions from semantic maps produced by a frozen, general-purpose network; and PLEASE learns soft region assignments end-to-end through a lightweight assignment network. Each channel receives one gate per region, so attention at each pixel reflects its region membership, bridging channel and spatial attention. PLEASE also produces its soft assignments as a byproduct of the forward pass, providing structured spatial interpretability without post-hoc analysis. The modules offer complementary computational tradeoffs: some add essentially no parameters, while others add no measurable latency. Across binary segmentation on CUB, DUTS, and ECSSD, semantic segmentation on PASCAL VOC 2012 and ADE20K, and classification on mini-ImageNet, our modules outperform SE and related spatial-channel attention variants on most benchmarks, achieving the majority of best results.
• Abstract（参考訳）: Squeeze-and-Excitation (SE)モジュールはチャネル依存性をモデル化することで畳み込みネットワークを改善するが、グローバル平均プールは空間構造を1つのチャネルごとのディスクリプタに分解し、画像セグメンテーションのような密集した予測タスクの有効性を制限する。 グローバルプールを空間誘導型プールに置き換えることでSEを一般化し、4つのモジュールを補完するコストプロファイルを持つ領域認識チャネルの校正を可能にする。 BASE は正規のグリッドを使って Tiled Squeeze-and-Excite を形式化し、SPASE は画像適応型領域の SLIC スーパーピクセル上にプールし、MAPSE は凍結された汎用的ネットワークによって生成されたセマンティックマップから領域を取得し、PLEASE は軽量な割り当てネットワークを通じてソフトリージョンの割り当てをエンド・ツー・エンドで学習する。 各チャネルは各領域に1つのゲートを受信するので、各ピクセルの注意はその領域のメンバーシップ、ブリッジングチャネル、空間的注意を反映する。 PLEASEはそのソフトな割り当てをフォワードパスの副産物として生成し、ポストホック解析なしで構造化された空間的解釈性を提供する。 モジュールは相補的な計算トレードオフを提供する: パラメータを本質的に含まないものもあれば、測定可能なレイテンシを追加するものもある。 CUB、DUTS、ECSSDのバイナリセグメンテーション、PASCAL VOC 2012とADE20Kのセマンティックセグメンテーション、mini-ImageNetの分類など、私たちのモジュールはSEと関連する空間チャネルアテンションをほとんどのベンチマークで上回り、最高の結果の過半数を達成しています。

関連論文リスト

• SFR-Net: Learning Scale-Frustum Representations for Ultra-Wide Area Remote Sensing Image Segmentation [35.92745600073289]
  本稿では,UWA(Ultra-wide Area)リモートセンシング画像を対象とした新しいセグメンテーションタスクを提案する。 本稿では,UWAセグメンテーションの課題に対処するため,SFR-Net(Scale-Frustum Representation Network)を提案する。 SFR-Netは最先端のパフォーマンスを実現し、mIoUを1.72%改善し、4.29%改善した。
  論文  参考訳（メタデータ） (2026-05-25T11:45:50Z)
• EMRA-proxy: Enhancing Multi-Class Region Semantic Segmentation in Remote Sensing Images with Attention Proxy [2.3727914512000714]
  本稿では,CRA (Contextual Region Attention) とGCR (Global Class Refinement) の2つのコンポーネントからなる新しいアプローチであるRegional-Aware Proxy Network (RAPNet)を提案する。 RAPNetは、より柔軟なセグメンテーションのために、リージョンレベルで動作している。 3つの公開データセットの実験では、RAPNetは最先端の手法よりも優れ、より優れたマルチクラスのセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2025-05-23T09:30:45Z)
• A Deep Semantic Segmentation Network with Semantic and Contextual Refinements [11.755865577258767]
  本稿では,セグメンテーションネットワーク内でこの問題に対処するためのセマンティックリファインメントモジュール(SRM)を提案する。 CRM(Contextual Refinement Module)は、空間次元とチャネル次元の両方にわたるグローバルなコンテキスト情報をキャプチャする。 これらのモジュールの有効性は、3つの広く使われているデータセット(Cityscapes, Bdd100K, ADE20K-demonstrating)で検証される。
  論文  参考訳（メタデータ） (2024-12-11T03:40:46Z)
• Region-Enhanced Feature Learning for Scene Semantic Segmentation [19.20735517821943]
  計算負担を軽減するために,細粒度点やボクセルの代わりに点雲の中間表現として領域を用いることを提案する。 本研究では,セマンティック空間領域抽出段階と領域依存モデリング段階からなるRFEモジュールを設計する。 我々のREFL-NetはScanNetV2で1.8% mIoUゲイン、S3DISデータセットで1.7% mIoUゲインを無視可能な計算コストで達成している。
  論文  参考訳（メタデータ） (2023-04-15T06:35:06Z)
• CRCNet: Few-shot Segmentation with Cross-Reference and Region-Global Conditional Networks [59.85183776573642]
  少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。 複数ショットセグメンテーションのためのクロスリファレンス・ローカル・グローバル・ネットワーク(CRCNet)を提案する。 我々のネットワークは、相互参照機構により、2つの画像に共起する物体をよりよく見つけることができる。
  論文  参考訳（メタデータ） (2022-08-23T06:46:18Z)
• Semantic Segmentation by Early Region Proxy [53.594035639400616]
  本稿では,学習可能な領域のテッセルレーションとしてイメージを解釈することから始まる,新規で効率的なモデリングについて述べる。 領域のコンテキストをモデル化するために,Transformerを用いてシーケンス・ツー・シーケンス方式で領域を符号化する。 現在、符号化された領域埋め込みの上に、領域ごとのセマンティックセグメンテーションを行う。
  論文  参考訳（メタデータ） (2022-03-26T10:48:32Z)
• Boosting Few-shot Semantic Segmentation with Transformers [81.43459055197435]
  TRansformer-based Few-shot Semantic segmentation Method (TRFS) 我々のモデルは,グローバル・エンハンスメント・モジュール(GEM)とローカル・エンハンスメント・モジュール(LEM)の2つのモジュールから構成される。
  論文  参考訳（メタデータ） (2021-08-04T20:09:21Z)
• Global Aggregation then Local Distribution for Scene Parsing [99.1095068574454]
  提案手法は,エンドツーエンドのトレーニング可能なブロックとしてモジュール化され,既存のセマンティックセグメンテーションネットワークに容易に接続可能であることを示す。 私たちのアプローチでは、Cityscapes、ADE20K、Pascal Context、Camvid、COCO-stuffといった主要なセマンティックセグメンテーションベンチマークに基づいて、新しい最先端の技術を構築できます。
  論文  参考訳（メタデータ） (2021-07-28T03:46:57Z)
• Semantic Attention and Scale Complementary Network for Instance Segmentation in Remote Sensing Images [54.08240004593062]
  本稿では,セマンティックアテンション(SEA)モジュールとスケール補完マスクブランチ(SCMB)で構成される,エンドツーエンドのマルチカテゴリインスタンスセグメンテーションモデルを提案する。 SEAモジュールは、機能マップ上の興味あるインスタンスのアクティベーションを強化するために、追加の監督を備えた、単純な完全な畳み込みセマンティックセマンティックセマンティクスブランチを含んでいる。 SCMBは、元のシングルマスクブランチをトリデントマスクブランチに拡張し、異なるスケールで補完マスクの監視を導入する。
  論文  参考訳（メタデータ） (2021-07-25T08:53:59Z)
• Channel-wise Knowledge Distillation for Dense Prediction [73.99057249472735]
  本稿では,学生ネットワークと教師ネットワークのチャンネルワイズ機能について提案する。 様々なネットワーク構造を持つ3つのベンチマークにおいて、一貫して優れた性能を実現している。
  論文  参考訳（メタデータ） (2020-11-26T12:00:38Z)

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。