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

コンピュータビジョン研究のためのUnreal Engineプラグイン『UnrealCV』
Deep Neural Networkによる顔の個人識別フレームワーク『OpenFace』
OpenGVのライブラリ構成
Deep Learningとその他の機械学習手法の性能比較
SSD (Single Shot Multibox Detector):ディープラーニングによる一般...
オープンソースの汎用レンダラ『Mitsuba 2』
コンピュータビジョンの技術マップ
データサイエンティストって何だ?
ディープラーニング
CGAN (Conditional GAN):条件付き敵対的生成ネットワーク
R-CNN (Regions with CNN features):ディープラーニングによる一般物体...
SegNet:ディープラーニングによるSemantic Segmentation手法
SDカードサイズのコンピューター『Intel Edison』
AnacondaとTensorFlowをインストールしてVisual Studio 2015で使う
スマホのカメラで3Dスキャンできるアプリ『Qlone』
Kinect for Windows V2のプレオーダー開始
Faster R-CNN:ディープラーニングによる一般物体検出手法
AR (Augmented Reality)とDR (Diminished Reality)
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
機械学習について最近知った情報
OpenCVの超解像(SuperResolution)モジュールを試す
ベイズ推定とグラフィカルモデル
画像認識による位置情報取得 - Semi-Direct Monocular Visual Odome...
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』
U-Net:ディープラーニングによるSemantic Segmentation手法
ZBrushトレーニング
書籍『イラストで学ぶ ディープラーニング』
DCGAN (Deep Convolutional GAN):畳み込みニューラルネットワークによる敵...
3Dデータ処理ライブラリ『Open3D』
手を動かしながら学ぶデータマイニング
C++の機械学習ライブラリ『Dlib』
Two Minute Papers:最新の研究論文を数分間で紹介するYouTubeチャンネル
疑似3D写真が撮れるiPhoneアプリ『Seene』がアップデートでついにフル3Dモデルが撮影できる...
写真から3Dメッシュの生成・編集ができる無料ツール『Autodesk Memento』
OpenCV バージョン4がリリースされた!
クリエイターのための機械学習ツール『Runway ML』
OpenCVでカメラ画像から自己位置認識 (Visual Odometry)
ArUco:OpenCVベースのコンパクトなARライブラリ
OpenCV 3.3.0 contribのsfmモジュールのサンプルを動かしてみる
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』
SONY製のニューラルネットワークライブラリ『NNabla』
TensorFlowでCGを微分できる『TensorFlow Graphics』

コメント