PSPNet (Pyramid Scene Parsing Network):ディープラーニングによるSemantic Segmentation手法

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。


ディープラーニングによるSemantic Segmentationアルゴリズムまとめ
これまで勉強したディープラーニングによるSemantic Segmentation手法のアルゴリズム一覧。


次はPSPNet (Pyramid Scene Parsing Network)について。


PSPNet (Pyramid Scene Parsing Network)

PSPNet (Pyramid Scene Parsing Network)CVPR 2017で発表されたPyramid Scene Parsing Networkで提案されたSemantic Segmentation手法。



SegNetU-Netの登場以降、ディープラーニングによるSemantic SegmentationではEncoderDecoder構造が定番となった。

PSPNetでは、EncoderResNet101(大規模データで学習済み)の特徴抽出層を利用しており、EncoderDecoder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。
RefineNet (Multi-Path Refinement Network):ディープラーニングによるSemantic Segmentation手法
FCN, SegNet, U-Net, PSPNet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RefineNet (Multi-Path Refinement Network)について。

ディープラーニングによるSemantic Segmentationアルゴリズムまとめ
これまで勉強したディープラーニングによるSemantic Segmentation手法のアルゴリズム一覧。

関連記事

OpenSfM:PythonのStructure from ...

スクラッチで既存のキャラクターを立体化したい

Cartographer:オープンソースのSLAMライブラリ

手を動かしながら学ぶデータマイニング

Windows10でPyTorchをインストールしてVSCo...

顔検出・認識のAPI・ライブラリ・ソフトウェアのリスト

FacebookがDeep learningツールの一部をオ...

Leap MotionでMaya上のオブジェクトを操作できる...

Google製オープンソース機械学習ライブラリ『Tensor...

疑似3D写真が撮れるiPhoneアプリ『Seene』がアップ...

fSpy:1枚の写真からカメラパラメーターを割り出すツール

Autodesk Mementoでゴジラを3次元復元する

機械学習での「回帰」とは?

Structure from Motion (多視点画像から...

ベイズ推定とグラフィカルモデル

Pylearn2:ディープラーニングに対応したPythonの...

UnityでPoint Cloudを表示する方法

Kornia:微分可能なコンピュータービジョンライブラリ

GAN (Generative Adversarial Ne...

BlenderでPhotogrammetryできるアドオン

Kubric:機械学習用アノテーション付き動画生成パイプライ...

openMVGをWindows10 Visual Studi...

Adobeの手振れ補正機能『ワープスタビライザー』の秘密

OpenCVの三角測量関数『cv::triangulatep...

動画で学ぶお絵かき講座『sensei』

OpenMVS:Multi-View Stereoによる3次...

SSII2014 チュートリアル講演会の資料

第1回 3D勉強会@関東『SLAMチュートリアル大会』

機械学習に役立つPythonライブラリ一覧

RefineNet (Multi-Path Refineme...

COLMAP:オープンソースのSfM・MVSツール

コンピュータビジョンの技術マップ

ディープラーニング

Point Cloud Consortiumのセミナー「3D...

オンライン英会話ネイティブキャンプを始めてみた

Connected Papers:関連研究をグラフで視覚的に...

iPadをハンディ3Dスキャナにするガジェット『iSense...

Runway ML:クリエイターのための機械学習ツール

PCA (主成分分析)

Caffe:読みやすくて高速なディープラーニングのフレームワ...

Mitsuba 3:オープンソースの研究向けレンダラ

第25回コンピュータビジョン勉強会@関東に行って来た

コメント