文献

J-GLOBAL ID：202002276520511662   整理番号：20A1750926

シーンセグメンテーションのための文脈事前【JST・京大機械翻訳】

Context Prior for Scene Segmentation

著者 (6件)： Yu Changqian (Key Laboratory of Image Processing and Intelligent Control, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology; The University of Adelaide, Australia) ,  Wang Jingbo (The Chinese University of Hong Kong) ,  Gao Changxin (Key Laboratory of Image Processing and Intelligent Control, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology) ,  Yu Gang (Tencent) ,  Shen Chunhua (The University of Adelaide, Australia) ,  Sang Nong (Key Laboratory of Image Processing and Intelligent Control, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： CVPR  ページ： 12413-12422  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 最近の研究は,より正確なセグメンテーション結果を達成するために,文脈依存性を広く探索した。しかし,ほとんどのアプローチは,シーン理解を汚染するかもしれない異なるタイプの文脈依存性をめったに区別しない。本研究では,クラス内およびクラス間コンテキストを明確に識別するために,特徴集約を直接超視する。特に,著者らは,親和性損失の監督によるContextを開発した。入力画像と対応するグランドトルースを与えられた場合,親和性損失は,コンテキスト事前の学習を監督する理想的な親和性マップを構築する。学習された文脈事前は,同じカテゴリーに属する画素を抽出し,一方,逆の事前は,異なるクラスの画素に焦点を合わせた。従来の深いCNNに組み込むと,提案したコンテキスト事前層は,クラス内およびクラス間文脈依存性を選択的に捕捉することができ,ロバストな特徴表現をもたらす。有効性を検証するために,効果的なコンテキスト事前ネットワーク(CPNet)を設計した。広範な定量的および定性的評価は,提案モデルが最先端の意味セグメンテーションアプローチに対して有利に機能することを示した。より具体的には,著者らのアルゴリズムは,ADE20Kで46.3%mIoU,PASCAL-Contexで53.9%mIoU,および都市景観で81.3%mIoUを達成した。コードはhttps://git.io/ContextPriorで利用可能である。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *セグメンテーション ,  ネットワーク ,  画素 ,  都市景観 ,  親和性 ,  有効性 ,  ロバスト性
準シソーラス用語： 文脈依存性 ,  定性的評価 ,  *シーン分割 ,  シーン理解 ,  グランドトゥルース ,  特徴表現 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (2件)： シーンセグメンテーション ,  文脈