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のfindEssentialMat関数を使ったサンプルを読んでみる
最新の研究を数分間で紹介するYouTubeチャンネル『Two Minute Papers』
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
スクラッチで既存のキャラクターを立体化したい
Leap MotionでMaya上のオブジェクトを操作できるプラグイン
Adobeの手振れ補正機能『ワープスタビライザー』の秘密
OpenCVで動画の手振れ補正
コンピュータビジョン研究のためのUnreal Engineプラグイン『UnrealCV』
スマホのカメラで3Dスキャンできるアプリ『Qlone』
画像認識による位置情報取得 - Semi-Direct Monocular Visual Odome...
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『KelpNet』
WordPressで数式を扱う
Deep Learningとその他の機械学習手法の性能比較
BlenderでPhotogrammetryできるアドオン
機械学習での「回帰」とは?
OpenCVの超解像(SuperResolution)モジュールを試す
OpenCV 3.1のsfmモジュールのビルド再び
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...
機械学習で流体シミュレーションを近似する『Physics Forests』
OpenCV 3.1から追加されたSfMモジュール
ニューラルネットワークで画像分類
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でiPhone6sのカメラをキャリブレーションする
3Dデータ処理ライブラリ『Open3D』
動画で学ぶお絵かき講座『sensei』
Windows10でPyTorchをインストールしてVSCodeで使う
インタラクティブにComputer Visionコーディングができるツール『Live CV』
R-CNN (Regions with CNN features):ディープラーニングによる一般物体...
FCN (Fully Convolutional Network):ディープラーニングによるSema...
Houdiniのライセンスの種類
オープンソースの顔の動作解析ツールキット『OpenFace』
ZBrushトレーニング
AnacondaとTensorFlowをインストールしてVisual Studio 2015で使う
GANs (Generative Adversarial Networks):敵対的生成ネットワーク
OpenCV 3.3.0 contribのsfmモジュールのサンプルを動かしてみる
openMVGをWindows10 Visual Studio 2015環境でビルドする
2D→3D復元技術で使われる用語まとめ
Unityで強化学習できる『Unity ML-Agents』
Mask R-CNN:ディープラーニングによる一般物体検出・Instance Segmentatio...
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
オープンソースの顔認識フレームワーク『OpenBR』
SSD (Single Shot Multibox Detector):ディープラーニングによる一般...

コメント