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。


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。



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。



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...

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。


スポンサーリンク

関連記事

Autodesk Mementoでゴジラを3次元復元する
書籍『OpenCV 3 プログラミングブック』を購入
NumSharp:C#で使えるNumPyライクな数値計算ライブラリ
OpenCV3.3.0でsfmモジュールのビルドに成功!
CNN Explainer:畳み込みニューラルネットワーク可視化ツール
openMVGをWindows10 Visual Studio 2015環境でビルドする
Dlib:C++の機械学習ライブラリ
Zibra Liquids:Unity向け流体シミュレーションプラグイン
UnityでPoint Cloudを表示する方法
TeleSculptor:空撮動画からPhotogrammetryするツール
「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
fSpy:1枚の写真からカメラパラメーターを割り出すツール
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...
OpenCVの顔検出過程を可視化した動画
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『Caffe』
ポイントクラウドコンソーシアム
Kubric:機械学習用アノテーション付き動画生成パイプライン
Mask R-CNN:ディープラーニングによる一般物体検出・Instance Segmentatio...
OpenAR:OpenCVベースのマーカーARライブラリ
ニューラルネットワークで画像分類
iOSで使えるJetpac社の物体認識SDK『DeepBelief』
WordPressで数式を扱う
書籍『仕事ではじめる機械学習』を読みました
ドットインストールのWordPress入門レッスン
Deep Learningとその他の機械学習手法の性能比較
SVM (Support Vector Machine)
Open3D:3Dデータ処理ライブラリ
UnityユーザーがUnreal Engineの使い方を学ぶには?
Fast R-CNN:ディープラーニングによる一般物体検出手法
takminさんが機械学習・画像認識の便利ツールを公開しています
SDカードサイズのコンピューター『Intel Edison』
SegNet:ディープラーニングによるSemantic Segmentation手法
OpenCVで顔のモーフィングを実装する
Facebookの顔認証技術『DeepFace』
SONY製のニューラルネットワークライブラリ『NNabla』
OpenCVでPhotoshopのプラグイン開発
Pix2Pix:CGANによる画像変換
ニューラルネットワークと深層学習
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
Cartographer:オープンソースのSLAMライブラリ
第1回 3D勉強会@関東『SLAMチュートリアル大会』
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

コメント