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

iPadをハンディ3Dスキャナにするガジェット『iSense 3D Scanner』

Active Appearance Models(AAM)

コンピュータビジョンの技術マップ

手を動かしながら学ぶデータマイニング

2D→3D復元技術で使われる用語まとめ

ニューラルネットワークと深層学習

顔画像処理技術の過去の研究

C#で使える遺伝的アルゴリズムライブラリ『GeneticSharp』

Kinect for Windows v2の日本価格決定

Autodesk Mementoでゴジラを3次元復元する

OpenGV:画像からカメラの3次元位置・姿勢を推定するライブラリ

OpenCVでiPhone6sのカメラをキャリブレーションする

OpenGVの用語

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

OpenCV

represent

統計的な顔モデル

iOSで使えるJetpac社の物体認識SDK『DeepBelief』

Google製オープンソース機械学習ライブラリ『TensorFlow』のWindows版が公開された

OpenCV 3.3.0 contribのsfmモジュールのサンプルを動かしてみる

機械学習での「回帰」とは?

畳み込みニューラルネットワーク (CNN: Convolutional Neural Network...

LLM Visualization:大規模言語モデルの可視化

NeuralNetwork.NET:.NETで使えるTensorFlowライクなニューラルネットワー...

Deep Fluids:流体シミュレーションをディープラーニングで近似する

AnacondaとTensorFlowをインストールしてVisual Studio 2015で使う

iPhoneで3D写真が撮れるアプリ『seene』

pythonの機械学習ライブラリ『scikit-learn』

OpenCV 3.1から追加されたSfMモジュール

SSII 2014 デモンストレーションセッションのダイジェスト動画

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』

AfterEffectsプラグイン開発

Faceshiftで表情をキャプチャしてBlender上でMakeHumanのメッシュを動かすデモ

Fast R-CNN:ディープラーニングによる一般物体検出手法

FacebookがDeep learningツールの一部をオープンソース化

Houdiniのライセンスの種類

R-CNN (Regions with CNN features):ディープラーニングによる一般物体...

第1回 3D勉強会@関東『SLAMチュートリアル大会』

データサイエンティストって何だ?

uvでWindows11のPython環境を管理する

Two Minute Papers:先端研究を短時間で紹介するYouTubeチャンネル

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

コメント