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

Photogrammetry (写真測量法)
ManimML:機械学習の概念を視覚的に説明するためのライブラリ
機械学習での「回帰」とは?
Netron:機械学習モデルを可視化するツール
Accord.NET Framework:C#で使える機械学習ライブラリ
OpenMVS:Multi-View Stereoによる3次元復元ライブラリ
動画で学ぶお絵かき講座『sensei』
OpenCVの三角測量関数『cv::triangulatepoints』
Unityで強化学習できる『Unity ML-Agents』
iOSで使えるJetpac社の物体認識SDK『DeepBelief』
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』
続・ディープラーニングの資料
Faceshiftで表情をキャプチャしてBlender上でMakeHumanのメッシュを動かすデモ
Mitsuba 2:オープンソースの物理ベースレンダラ
AfterEffectsプラグイン開発
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
画像生成AI Stable Diffusionで遊ぶ
GoogleのDeep Learning論文
OpenCV 3.3.0 contribのsfmモジュールのサンプルを動かしてみる
顔追跡による擬似3D表示『Dynamic Perspective』
Kinect for Windows v2の日本価格決定
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...
OpenCVのバージョン3が正式リリースされたぞ
人間の顔をそっくりそのままCGで復元する『Digital Emily Project』
第1回 3D勉強会@関東『SLAMチュートリアル大会』
オンライン英会話ネイティブキャンプを始めてみた
コンピュータビジョンの技術マップ
オープンソースの顔の動作解析ツールキット『OpenFace』
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
Active Appearance Models(AAM)
DCGAN (Deep Convolutional GAN):畳み込みニューラルネットワークによる敵...
Mask R-CNN:ディープラーニングによる一般物体検出・Instance Segmentatio...
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...
UnityでOpenCVを使うには?
畳み込みニューラルネットワーク (CNN: Convolutional Neural Network...
ニューラルネットワークと深層学習
書籍『ゼロから作るDeep Learning』で自分なりに学ぶ
統計的な顔モデル
CGAN (Conditional GAN):条件付き敵対的生成ネットワーク
海外ドラマのChromaKey
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』
DensePose:画像中の人物表面のUV座標を推定する

コメント