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。


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)

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。

関連記事

U-Net:ディープラーニングによるSemantic Segmentation手法

Regard3D:オープンソースのStructure from Motionツール

Digital Emily Project:人間の顔をそっくりそのままCGで復元する

Two Minute Papers:先端研究を短時間で紹介するYouTubeチャンネル

NeuralNetwork.NET:.NETで使えるTensorFlowライクなニューラルネットワー...

顔追跡による擬似3D表示『Dynamic Perspective』

機械学習に役立つPythonライブラリ一覧

openMVG:複数視点画像から3次元形状を復元するライブラリ

OpenCV 3.1のsfmモジュールを試す

OpenCV

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

Zibra Liquids:Unity向け流体シミュレーションプラグイン

OpenCVでiPhone6sのカメラをキャリブレーションする

PyDataTokyo主催のDeep Learning勉強会

OpenCV 3.1から追加されたSfMモジュール

書籍『ゼロから作るDeep Learning』で自分なりに学ぶ

手を動かしながら学ぶデータマイニング

Theia:オープンソースのStructure from Motionライブラリ

CGAN (Conditional GAN):条件付き敵対的生成ネットワーク

SVM (Support Vector Machine)

BlenderでPhotogrammetryできるアドオン

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...

Google Colaboratoryで遊ぶ準備

Houdiniのライセンスの種類

PeopleSansPeople:機械学習用の人物データをUnityで生成する

ポイントクラウドコンソーシアム

CycleGAN:ドメイン関係を学習した画像変換

Live CV:インタラクティブにComputer Visionコーディングができるツール

PGGAN:段階的に解像度を上げて学習を進めるGAN

DCGAN (Deep Convolutional GAN):畳み込みニューラルネットワークによる敵...

Open3D:3Dデータ処理ライブラリ

Caffe: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

UnityでPoint Cloudを表示する方法

Autodesk Mementoでゴジラを3次元復元する

Facebookの顔認証技術『DeepFace』

Mitsuba 2:オープンソースの物理ベースレンダラ

機械学習での「回帰」とは?

Cartographer:オープンソースのSLAMライブラリ

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

AR (Augmented Reality)とDR (Diminished Reality)

Mitsuba 3:オープンソースの研究向けレンダラ

viser:Pythonで使える3D可視化ライブラリ

コメント