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

OpenCVでPhotoshopのプラグイン開発

bpy-renderer:レンダリング用Pythonパッケージ

OpenCVのバージョン3が正式リリースされたぞ

Rerun:マルチモーダルデータの可視化アプリとSDK

手を動かしながら学ぶデータマイニング

池袋パルコで3Dのバーチャルフィッティング『ウェアラブル クロージング バイ アーバンリサーチ』

uvでWindows11のPython環境を管理する

OpenCV

Faster R-CNN:ディープラーニングによる一般物体検出手法

Google Colaboratoryで遊ぶ準備

OpenCVでiPhone6sのカメラをキャリブレーションする

CycleGAN:ドメイン関係を学習した画像変換

Houdiniのライセンスの種類

TensorSpace.js:ニューラルネットワークの構造を可視化するフレームワーク

OpenGVのライブラリ構成

Mask R-CNN:ディープラーニングによる一般物体検出・Instance Segmentatio...

PyDataTokyo主催のDeep Learning勉強会

OpenCVでカメラ画像から自己位置認識 (Visual Odometry)

Transformer Explainer:テキスト生成モデルの可視化ツール

DUSt3R:3Dコンピュータービジョンの基盤モデル

Adobe MAX 2015

第1回 3D勉強会@関東『SLAMチュートリアル大会』

機械学習のオープンソースソフトウェアフォーラム『mloss(machine learning ope...

AI英語教材アプリ『abceed』

Dlib:C++の機械学習ライブラリ

OpenCV 3.1から追加されたSfMモジュール

OpenCVの顔検出過程を可視化した動画

OpenCVで顔のランドマークを検出する『Facemark API』

OpenFace:Deep Neural Networkによる顔の個人識別フレームワーク

Live CV:インタラクティブにComputer Visionコーディングができるツール

FCN (Fully Convolutional Network):ディープラーニングによるSema...

機械学習での「回帰」とは?

Alice Vision:オープンソースのPhotogrammetryフレームワーク

OpenCVのfindEssentialMat関数を使ったサンプルを読んでみる

全脳アーキテクチャ勉強会

OpenMVS:Multi-View Stereoによる3次元復元ライブラリ

OpenCVの超解像(SuperResolution)モジュールを試す

続・ディープラーニングの資料

Super Resolution:OpenCVの超解像処理モジュール

Photogrammetry (写真測量法)

ニューラルネットワークで画像分類

Active Appearance Models(AAM)

コメント