FCN, SegNet, U-Netに引き続きディープラーニングによるSemantic Segmentation手法のお勉強。
次はPSPNet (Pyramid Scene Parsing Network)について。
PSPNet (Pyramid Scene Parsing Network)
PSPNet (Pyramid Scene Parsing Network)はCVPR 2017で発表されたPyramid Scene Parsing Networkで提案されたSemantic Segmentation手法。
SegNetやU-Netの登場以降、ディープラーニングによるSemantic SegmentationではEncoder–Decoder構造が定番となった。
PSPNetでは、EncoderにResNet101(大規模データで学習済み)の特徴抽出層を利用しており、EncoderとDecoderの間にPyramid Pooling Moduleを追加している↓
Fast R-CNNの記事で触れたSPPNetで、似た名前のSpatial Pyramid Pooling(空間ピラミッドプーリング)が使われていた。
同じなのは複数の解像度でmax-poolingを行うという点だけです(笑)
Pyramid Pooling Module
Encoderによって入力画像から抽出された特徴マップのサイズは、ダウンサンプリングされて元の入力画像の1/8になる。
Pyramid Pooling Moduleでは、Encoderで抽出された特徴マップに対して、複数の解像度でmax-poolingをかけてそれぞれのスケールで捉えた特徴マップを得る。これによって、画像の大域的なコンテキストと小さな部分の情報の両方を拾うことができる。
Pyramid Pooling Moduleの階層数や各階層での特徴マップのサイズは、入力される特徴マップのサイズに合わせて設計する。Pyramid Pooling Moduleの階層の数をNとすると、削減後の各特徴マップのチャンネル数は1/Nになる。
論文の例では、以下の図のように階層的に4つの異なるカーネルサイズ(1×1, 2×2, 3×3, 6×6)でmax-poolingを行い、得られた複数スケールの特徴マップを1×1で畳み込んでチャンネル数を削減する。
そして、このチャンネル数を削減した特徴マップをバイリニア補間で元の特徴マップと同じサイズにアップサンプリングする。
アップサンプリングしたこれらの特徴マップを元の特徴マップにチャンネルを追加する形で連結し、大域的なコンテキストと局所的な情報の両方を持った特徴マップとする。
最終的に、この連結した特徴マップに対して1×1の畳み込みを行ってSemantic Segmentationの結果を得る。
あれ、何か妙に情報があっさりだぞ。。。
次はRefineNet (Multi-Path Refinement Network)について勉強しよう。
関連記事
Point Cloud Libraryに動画フォーマットが追...
GoogleのDeep Learning論文
NumSharp：C#で使えるNumPyライクな数値計算ライ...
ディープラーニング
Two Minute Papers：先端研究を短時間で紹介す...
Kornia：微分可能なコンピュータービジョンライブラリ
OpenCVでPhotoshopのプラグイン開発
UnityでOpenCVを使うには？
ドットインストールのWordPress入門レッスン
OpenCVのfindEssentialMat関数を使ったサ...
Point Cloud Consortiumのセミナー「3D...
Rerun：マルチモーダルデータの可視化アプリとSDK
PyDataTokyo主催のDeep Learning勉強会
Transformer Explainer：テキスト生成モデ...
MVStudio：オープンソースのPhotogrammetr...
スクラッチで既存のキャラクターを立体化したい
オープンソースの顔認識フレームワーク『OpenBR』
ベイズ推定とグラフィカルモデル
機械学習のオープンソースソフトウェアフォーラム『mloss(...
機械学習に役立つPythonライブラリ一覧
CNN Explainer：畳み込みニューラルネットワーク可...
OpenAR：OpenCVベースのマーカーARライブラリ
CycleGAN：ドメイン関係を学習した画像変換
Theia：オープンソースのStructure from M...
KelpNet：C#で使える可読性重視のディープラーニングラ...
海外ドラマのChromaKey
OpenCVのバージョン3が正式リリースされたぞ
第1回 3D勉強会＠関東『SLAMチュートリアル大会』
viser：Pythonで使える3D可視化ライブラリ
cvui：OpenCVのための軽量GUIライブラリ
OpenMVSのサンプルを動かしてみる
書籍『3次元コンピュータビジョン計算ハンドブック』を購入
Connected Papers：関連研究をグラフで視覚的に...
Multi-View Environment：複数画像から3...
TensorFlowでCGを微分できる『TensorFlow...
書籍『イラストで学ぶ ディープラーニング』
TeleSculptor：空撮動画からPhotogramme...
MeshroomでPhotogrammetry
SVM (Support Vector Machine)
Facebookの顔認証技術『DeepFace』
Open3D：3Dデータ処理ライブラリ
AI英語教材アプリ『abceed』
コメント