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プラグイン

3D復元技術の情報リンク集

AfterEffectsプラグイン開発

FacebookがDeep learningツールの一部をオープンソース化

Blendify:コンピュータービジョン向けBlenderラッパー

OpenAR:OpenCVベースのマーカーARライブラリ

COLMAP:オープンソースのSfM・MVSツール

CGのためのディープラーニング

ディープラーニング

RefineNet (Multi-Path Refinement Network):ディープラーニン...

pythonの機械学習ライブラリ『scikit-learn』

Point Cloud Consortiumのセミナー「3D点群の未来」に行ってきたよ

SSII2014 チュートリアル講演会の資料

iOSで使えるJetpac社の物体認識SDK『DeepBelief』

Rerun:マルチモーダルデータの可視化アプリとSDK

書籍『ゼロから作るDeep Learning』で自分なりに学ぶ

NumSharp:C#で使えるNumPyライクな数値計算ライブラリ

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

OpenCV 3.3.0-RCでsfmモジュールをビルド

TorchStudio:PyTorchのための統合開発環境とエコシステム

ポイントクラウドコンソーシアム

PeopleSansPeople:機械学習用の人物データをUnityで生成する

データサイエンティストって何だ?

CNN Explainer:畳み込みニューラルネットワーク可視化ツール

スクラッチで既存のキャラクターを立体化したい

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ーク

Windows10でPyTorchをインストールしてVSCodeで使う

Adobeの手振れ補正機能『ワープスタビライザー』の秘密

Unityで強化学習できる『Unity ML-Agents』

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』

PGGAN:段階的に解像度を上げて学習を進めるGAN

Pylearn2:ディープラーニングに対応したPythonの機械学習ライブラリ

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

Qlone:スマホのカメラで3Dスキャンできるアプリ

KelpNet:C#で使える可読性重視のディープラーニングライブラリ

OpenCV 3.1のsfmモジュールのビルド再び

書籍『仕事ではじめる機械学習』を読みました

BlenderでPhotogrammetryできるアドオン

ArUco:OpenCVベースのコンパクトなARライブラリ

Faster R-CNN:ディープラーニングによる一般物体検出手法

OpenMVSのサンプルを動かしてみる

Structure from Motion (多視点画像からの3次元形状復元)

コメント