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

Leap MotionでMaya上のオブジェクトを操作できる...

3Dスキャンに基づくプロシージャルフェイシャルアニメーション

ドットインストールのWordPress入門レッスン

Pix2Pix:CGANによる画像変換

hloc:SuperGlueで精度を向上させたSfM・Vis...

機械学習での「回帰」とは?

CGのためのディープラーニング

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...

顔検出・認識のAPI・ライブラリ・ソフトウェアのリスト

Alice Vision:オープンソースのPhotogram...

PyDataTokyo主催のDeep Learning勉強会

CNN Explainer:畳み込みニューラルネットワーク可...

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

R-CNN (Regions with CNN featur...

Windows10でPyTorchをインストールしてVSCo...

TeleSculptor:空撮動画からPhotogramme...

Digital Emily Project:人間の顔をそっく...

viser:Pythonで使える3D可視化ライブラリ

openMVGをWindows10 Visual Studi...

Two Minute Papers:先端研究を短時間で紹介す...

ベイズ推定とグラフィカルモデル

Kinect for Windows V2のプレオーダー開始

PyTorch3D:3Dコンピュータービジョンライブラリ

Kinect for Windows v2の日本価格決定

pythonの機械学習ライブラリ『scikit-learn』

画像認識による位置情報取得 - Semi-Direct Mo...

今年もSSII

ニューラルネットワークで画像分類

OpenCV3.3.0でsfmモジュールのビルドに成功!

書籍『OpenCV 3 プログラミングブック』を購入

OpenCV 3.1とopencv_contribモジュール...

Point Cloud Libraryに動画フォーマットが追...

C#で使える遺伝的アルゴリズムライブラリ『GeneticSh...

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...

Adobeの手振れ補正機能『ワープスタビライザー』の秘密

Regard3D:オープンソースのStructure fro...

ZBrushトレーニング

WordPressで数式を扱う

OpenAR:OpenCVベースのマーカーARライブラリ

Connected Papers:関連研究をグラフで視覚的に...

PCA (主成分分析)

BGSLibrary:OpenCVベースの背景差分ライブラリ

コメント