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

ベイズ推定とグラフィカルモデル
DCGAN (Deep Convolutional GAN):畳み込みニューラルネットワークによる敵...
OpenCVでPhotoshopのプラグイン開発
動画で学ぶお絵かき講座『sensei』
Autodesk Mementoでゴジラを3次元復元する
Kinect for Windows v2の日本価格決定
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』
Houdiniのライセンスの種類
C#で使える遺伝的アルゴリズムライブラリ『GeneticSharp』
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』
ZBrushトレーニング
写真に3Dオブジェクトを違和感無く合成する『3DPhotoMagic』
SDカードサイズのコンピューター『Intel Edison』
顔検出・認識のAPI・ライブラリ・ソフトウェアのリスト
顔画像処理技術の過去の研究
オープンソースの汎用レンダラ『Mitsuba 2』
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...
OpenGVの用語
OpenCV 3.3.0-RCでsfmモジュールをビルド
Leap MotionでMaya上のオブジェクトを操作できるプラグイン
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』
OpenCVで顔のランドマークを検出する『Facemark API』
OpenCVベースのマーカーARライブラリ『OpenAR』
UnityユーザーがUnreal Engineの使い方を学ぶには?
クリエイターのための機械学習ツール『Runway ML』
.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...
SegNet:ディープラーニングによるSemantic Segmentation手法
SSD (Single Shot Multibox Detector):ディープラーニングによる一般...
Googleが画像解析旅行ガイドアプリのJetpac社を買収
CGAN (Conditional GAN):条件付き敵対的生成ネットワーク
ドットインストールのWordPress入門レッスン
Photogrammetry (写真測量法)
Faster R-CNN:ディープラーニングによる一般物体検出手法
OpenCVのための軽量GUIライブラリ『cvui』
MeshroomでPhotogrammetry
書籍『OpenCV 3 プログラミングブック』を購入
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』
今年もSSII
手を動かしながら学ぶデータマイニング
機械学習について最近知った情報
3D復元技術の情報リンク集

コメント