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

UnrealCV:コンピュータビジョン研究のためのUnreal Engineプラグイン
TensorSpace.js:ニューラルネットワークの構造を可視化するフレームワーク
DensePose:画像中の人物表面のUV座標を推定する
GAN (Generative Adversarial Networks):敵対的生成ネットワーク
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』
OpenCV 3.3.0 contribのsfmモジュールのサンプルを動かしてみる
Accord.NET Framework:C#で使える機械学習ライブラリ
Multi-View Stereoによる3次元復元ライブラリ『OpenMVS』
takminさんが機械学習・画像認識の便利ツールを公開しています
OpenCV 3.1のsfmモジュールのビルド再び
全脳アーキテクチャ勉強会
データサイエンティストって何だ?
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
PyTorch3D:3Dコンピュータービジョンライブラリ
OpenCVベースのマーカーARライブラリ『OpenAR』
COLMAP:オープンソースのSfM・MVSツール
ArUco:OpenCVベースのコンパクトなARライブラリ
ポイントクラウドコンソーシアム
Deep Neural Networkによる顔の個人識別フレームワーク『OpenFace』
WordPressで数式を扱う
顔検出・認識のAPI・ライブラリ・ソフトウェアのリスト
SONY製のニューラルネットワークライブラリ『NNabla』
Deep Learningとその他の機械学習手法の性能比較
AfterEffectsプラグイン開発
Kaolin:3Dディープラーニング用のPyTorchライブラリ
GoogleのDeep Learning論文
MLDemos:機械学習について理解するための可視化ツール
DCGAN (Deep Convolutional GAN):畳み込みニューラルネットワークによる敵...
C#で使える遺伝的アルゴリズムライブラリ『GeneticSharp』
Active Appearance Models(AAM)
Point Cloud Libraryに動画フォーマットが追加されるらしい
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 3.1とopencv_contribモジュールをVisual Studio 2015で...
ディープラーニング
コンピュータビジョンの技術マップ
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』
ベイズ推定とグラフィカルモデル
Houdiniのライセンスの種類
UnityでOpenCVを使うには?
Googleが画像解析旅行ガイドアプリのJetpac社を買収
iPadをハンディ3Dスキャナにするガジェット『iSense 3D Scanner』
Deep Fluids:流体シミュレーションをディープラーニングで近似する

コメント