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)について...

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

Leap MotionでMaya上のオブジェクトを操作できるプラグイン
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...
AnacondaとTensorFlowをインストールしてVisual Studio 2015で使う
TorchStudio:PyTorchのための統合開発環境とエコシステム
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...
書籍『仕事ではじめる機械学習』を読みました
データサイエンティストって何だ?
Google Colaboratoryで遊ぶ準備
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
Connected Papers:関連研究をグラフで視覚的に探せるサービス
OpenCV 3.3.0 contribのsfmモジュールのサンプルを動かしてみる
Open3D:3Dデータ処理ライブラリ
PyTorch3D:3Dコンピュータービジョンライブラリ
機械学習に役立つPythonライブラリ一覧
画像認識による位置情報取得 - Semi-Direct Monocular Visual Odome...
OpenCV 3.1のsfmモジュールを試す
畳み込みニューラルネットワーク (CNN: Convolutional Neural Network...
SSII 2014 デモンストレーションセッションのダイジェスト動画
SegNet:ディープラーニングによるSemantic Segmentation手法
TeleSculptor:空撮動画からPhotogrammetryするツール
OpenCV 3.1のsfmモジュールのビルド再び
Windows10でPyTorchをインストールしてVSCodeで使う
OpenCVで顔のモーフィングを実装する
Multi-View Environment:複数画像から3次元形状を再構築するライブラリ
全脳アーキテクチャ勉強会
AfterEffectsプラグイン開発
OpenMVSのサンプルを動かしてみる
スクラッチで既存のキャラクターを立体化したい
Faster R-CNN:ディープラーニングによる一般物体検出手法
統計的な顔モデル
書籍『イラストで学ぶ ディープラーニング』
UnityユーザーがUnreal Engineの使い方を学ぶには?
BGSLibrary:OpenCVベースの背景差分ライブラリ
UnityでPoint Cloudを表示する方法
Facebookの顔認証技術『DeepFace』
Kinect for Windows V2のプレオーダー開始
ツールの補助で効率的に研究論文を読む
FCN (Fully Convolutional Network):ディープラーニングによるSema...
PCA (主成分分析)
Alice Vision:オープンソースのPhotogrammetryフレームワーク
オープンソースのロボットアプリケーションフレームワーク『ROS (Robot Operating S...
SONY製のニューラルネットワークライブラリ『NNabla』

コメント