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。



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


スポンサーリンク

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。

Pyramid Scene Parsing Network (CVPR 2017)

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)


スポンサーリンク

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。

Pyramid Scene Parsing Network (CVPR 2017)

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。


スポンサーリンク

関連記事

OpenCV 3.1とopencv_contribモジュールをVisual Studio 2015で...
顔検出・認識のAPI・ライブラリ・ソフトウェアのリスト
OpenCVの超解像(SuperResolution)モジュールを試す
WordPressで数式を扱う
OpenCV 3.3.0 contribのsfmモジュールのサンプルを動かしてみる
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『OpenGV』
iOSで使えるJetpac社の物体認識SDK『DeepBelief』
複数画像から3次元形状を再構築するライブラリ『Multi-View Environment』
ZBrushトレーニング
Active Appearance Models(AAM)
OpenCVの顔検出過程を可視化した動画
スクラッチで既存のキャラクターを立体化したい
ドットインストールのWordPress入門レッスン
SegNet:ディープラーニングによるSemantic Segmentation手法
書籍『ゼロから作るDeep Learning』で自分なりに学ぶ
OpenCV 3.3.0-RCでsfmモジュールをビルド
「ベンジャミン·バトン数奇な人生」でどうやってCGの顔を作ったのか
手を動かしながら学ぶデータマイニング
MeshroomでPhotogrammetry
U-Net:ディープラーニングによるSemantic Segmentation手法
Kinect for Windows v2の日本価格決定
YOLO (You Only Look Once):ディープラーニングによる一般物体検出手法
OpenCV 3.1のsfmモジュールのビルド再び
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』
C#で使える機械学習ライブラリ『Accord.NET Framework』
機械学習での「回帰」とは?
.NETで使えるTensorFlowライクなニューラルネットワークライブラリ『NeuralNetwo...
機械学習について最近知った情報
オープンソースのStructure from Motionツール『Regard3D』
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の超解像処理モジュール『Super Resolution』
オープンソースのPhotogrammetryフレームワーク『Alice Vision』
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
続・ディープラーニングの資料
SONY製のニューラルネットワークライブラリ『NNabla』
Mask R-CNN:ディープラーニングによる一般物体検出・Instance Segmentatio...
顔画像処理技術の過去の研究
Faster R-CNN:ディープラーニングによる一般物体検出手法
PCA (主成分分析)
書籍『仕事ではじめる機械学習』を読みました
画像処理を基礎から学べるキーエンスのサイト『画像道場』
Fast R-CNN:ディープラーニングによる一般物体検出手法

コメント