文献

J-GLOBAL ID：202002288540562709   整理番号：20A1750647

セマンティックセグメンテーションのための転送と正則化予測【JST・京大機械翻訳】

Transferring and Regularizing Prediction for Semantic Segmentation

著者 (6件)： Zhang Yiheng (University of Science and Technology of China, Hefei, China) ,  Qiu Zhaofan (University of Science and Technology of China, Hefei, China) ,  Yao Ting (JD AI Research, Beijing, China) ,  Ngo Chong-Wah (City University of Hong Kong, Kowloon, Hong Kong) ,  Liu Dong (University of Science and Technology of China, Hefei, China) ,  Mei Tao (JD AI Research, Beijing, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： CVPR  ページ： 9618-9627  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： セマンティックセグメンテーションは,しばしばピクセルレベルアノテーションを有する画像の大きな集合を必要とする。非常に高価なエキスパートラベリングの観点から,最近の研究は,コンピュータ生成アノテーションによる光現実的合成データ(例えば,コンピュータゲーム)上で訓練されたモデルが実際の画像に適応できることを示した。この進展にもかかわらず,実際の画像に関する予測を制約することなく,このモデルは厳しいドメイン不整合により合成データに簡単に適合する。本論文では,モデル転送に対するそのような問題を軽減するために,意味的セグメンテーションの固有特性を利用した。特に,教師なし方式でモデル転送を正則化する制約として固有特性を課す予測転送(RPT)の正則化器を提示した。これらの制約は,異なるレベルの画像形成におけるパッチレベル,クラスタレベルおよびコンテキストレベル意味予測一貫性を含む。転送がラベルフリーでデータ駆動であるので,予測のロバスト性はモデル正則化のための画像領域の部分集合を選択的に関与することによって対処される。GTA5とSYNTHIA(合成データ)で訓練されたモデルの転送に関するRPTの提案を,都市景観データセット(都市街路シーン)に検証するために,広範な実験を行った。RPTは,意味セグメンテーションのためにいくつかのニューラルネットワークに制約を注入するとき,一貫した改善を示した。より注目すべきことに,RPTを敵対ベースのセグメンテーションフレームワークに統合するとき,著者らは,GTA5/SYNTHIAから都市景観へ移るとき,それぞれ53.2%/51.7%のmIoUの最良の結果を示した。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： *セグメンテーション ,  ニューラルネットワーク ,  都市 ,  画素 ,  計算機発生 ,  都市景観 ,  クラスタ ,  不整合 ,  *正則化 ,  像形成 ,  ロバスト性 ,  アノテーション
準シソーラス用語： データ駆動 , 【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 (4件)： セマンティックセグメンテーション ,  転送 ,  正則化 ,  予測