Submit Search
Upload
Semantic Segmentation and DeepClustering
•
0 likes
•
19 views
S
seikaokumo
Follow
セグメンテーションとディープクラスタリングについて述べられた論文を簡単にまとめたものです.
Read less
Read more
Engineering
Report
Share
Report
Share
1 of 7
Download now
Download to read offline
Recommended
CNNチュートリアル
CNNチュートリアル
Ikuro Sato
20150803.山口大学講演
20150803.山口大学講演
Hayaru SHOUNO
DeepLearningDay2016Spring
DeepLearningDay2016Spring
Takayoshi Yamashita
20160601画像電子学会
20160601画像電子学会
nlab_utokyo
ILSVRC2015 手法のメモ
ILSVRC2015 手法のメモ
Hirokatsu Kataoka
MIRU2018 tutorial
MIRU2018 tutorial
Takayoshi Yamashita
How Much Position Information Do Convolutional Neural Networks Encode?
How Much Position Information Do Convolutional Neural Networks Encode?
Kazuyuki Miyazawa
先端技術とメディア表現 第4回レポートまとめ
先端技術とメディア表現 第4回レポートまとめ
Digital Nature Group
Recommended
CNNチュートリアル
CNNチュートリアル
Ikuro Sato
20150803.山口大学講演
20150803.山口大学講演
Hayaru SHOUNO
DeepLearningDay2016Spring
DeepLearningDay2016Spring
Takayoshi Yamashita
20160601画像電子学会
20160601画像電子学会
nlab_utokyo
ILSVRC2015 手法のメモ
ILSVRC2015 手法のメモ
Hirokatsu Kataoka
MIRU2018 tutorial
MIRU2018 tutorial
Takayoshi Yamashita
How Much Position Information Do Convolutional Neural Networks Encode?
How Much Position Information Do Convolutional Neural Networks Encode?
Kazuyuki Miyazawa
先端技術とメディア表現 第4回レポートまとめ
先端技術とメディア表現 第4回レポートまとめ
Digital Nature Group
【チュートリアル】コンピュータビジョンによる動画認識
【チュートリアル】コンピュータビジョンによる動画認識
Hirokatsu Kataoka
画像処理AIを用いた異常検知
画像処理AIを用いた異常検知
Hideo Terada
Pred net使ってみた
Pred net使ってみた
koji ochiai
MIRU_Preview_JSAI2019
MIRU_Preview_JSAI2019
Takayoshi Yamashita
ディープラーニングの車載応用に向けて
ディープラーニングの車載応用に向けて
Ikuro Sato
非技術者でもわかる(?)コンピュータビジョン紹介資料
非技術者でもわかる(?)コンピュータビジョン紹介資料
Takuya Minagawa
SSII2014 詳細画像識別 (FGVC) @OS2
SSII2014 詳細画像識別 (FGVC) @OS2
nlab_utokyo
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
nlab_utokyo
畳み込みニューラルネットワークの研究動向
畳み込みニューラルネットワークの研究動向
Yusuke Uchida
Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2
Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2
Daiki Shimada
先端技術とメディア表現 第1回レポートまとめ
先端技術とメディア表現 第1回レポートまとめ
Digital Nature Group
物体検出コンペティションOpen Imagesに挑む
物体検出コンペティションOpen Imagesに挑む
Hiroto Honda
2020 08 05_dl_DETR
2020 08 05_dl_DETR
harmonylab
Deformable Part Modelとその発展
Deformable Part Modelとその発展
Takao Yamanaka
医療ビッグデータの今後を見通すために知っておきたい機械学習の基礎〜最前線 agains COVID-19
医療ビッグデータの今後を見通すために知っておきたい機械学習の基礎〜最前線 agains COVID-19
Tatsuya Shirakawa
PredCNN: Predictive Learning with Cascade Convolutions
PredCNN: Predictive Learning with Cascade Convolutions
harmonylab
Deep Learningを用いたロボット制御
Deep Learningを用いたロボット制御
Ryosuke Okuta
Deep Residual Learning (ILSVRC2015 winner)
Deep Residual Learning (ILSVRC2015 winner)
Hirokatsu Kataoka
【SSII2015】人を観る技術の先端的研究
【SSII2015】人を観る技術の先端的研究
Hirokatsu Kataoka
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
cvpaper. challenge
ICCV2019 report
ICCV2019 report
Tatsuya Shirakawa
20150414seminar
20150414seminar
nlab_utokyo
More Related Content
What's hot
【チュートリアル】コンピュータビジョンによる動画認識
【チュートリアル】コンピュータビジョンによる動画認識
Hirokatsu Kataoka
画像処理AIを用いた異常検知
画像処理AIを用いた異常検知
Hideo Terada
Pred net使ってみた
Pred net使ってみた
koji ochiai
MIRU_Preview_JSAI2019
MIRU_Preview_JSAI2019
Takayoshi Yamashita
ディープラーニングの車載応用に向けて
ディープラーニングの車載応用に向けて
Ikuro Sato
非技術者でもわかる(?)コンピュータビジョン紹介資料
非技術者でもわかる(?)コンピュータビジョン紹介資料
Takuya Minagawa
SSII2014 詳細画像識別 (FGVC) @OS2
SSII2014 詳細画像識別 (FGVC) @OS2
nlab_utokyo
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
nlab_utokyo
畳み込みニューラルネットワークの研究動向
畳み込みニューラルネットワークの研究動向
Yusuke Uchida
Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2
Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2
Daiki Shimada
先端技術とメディア表現 第1回レポートまとめ
先端技術とメディア表現 第1回レポートまとめ
Digital Nature Group
物体検出コンペティションOpen Imagesに挑む
物体検出コンペティションOpen Imagesに挑む
Hiroto Honda
2020 08 05_dl_DETR
2020 08 05_dl_DETR
harmonylab
Deformable Part Modelとその発展
Deformable Part Modelとその発展
Takao Yamanaka
医療ビッグデータの今後を見通すために知っておきたい機械学習の基礎〜最前線 agains COVID-19
医療ビッグデータの今後を見通すために知っておきたい機械学習の基礎〜最前線 agains COVID-19
Tatsuya Shirakawa
PredCNN: Predictive Learning with Cascade Convolutions
PredCNN: Predictive Learning with Cascade Convolutions
harmonylab
Deep Learningを用いたロボット制御
Deep Learningを用いたロボット制御
Ryosuke Okuta
Deep Residual Learning (ILSVRC2015 winner)
Deep Residual Learning (ILSVRC2015 winner)
Hirokatsu Kataoka
【SSII2015】人を観る技術の先端的研究
【SSII2015】人を観る技術の先端的研究
Hirokatsu Kataoka
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
cvpaper. challenge
What's hot
(20)
【チュートリアル】コンピュータビジョンによる動画認識
【チュートリアル】コンピュータビジョンによる動画認識
画像処理AIを用いた異常検知
画像処理AIを用いた異常検知
Pred net使ってみた
Pred net使ってみた
MIRU_Preview_JSAI2019
MIRU_Preview_JSAI2019
ディープラーニングの車載応用に向けて
ディープラーニングの車載応用に向けて
非技術者でもわかる(?)コンピュータビジョン紹介資料
非技術者でもわかる(?)コンピュータビジョン紹介資料
SSII2014 詳細画像識別 (FGVC) @OS2
SSII2014 詳細画像識別 (FGVC) @OS2
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
畳み込みニューラルネットワークの研究動向
畳み込みニューラルネットワークの研究動向
Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2
Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2
先端技術とメディア表現 第1回レポートまとめ
先端技術とメディア表現 第1回レポートまとめ
物体検出コンペティションOpen Imagesに挑む
物体検出コンペティションOpen Imagesに挑む
2020 08 05_dl_DETR
2020 08 05_dl_DETR
Deformable Part Modelとその発展
Deformable Part Modelとその発展
医療ビッグデータの今後を見通すために知っておきたい機械学習の基礎〜最前線 agains COVID-19
医療ビッグデータの今後を見通すために知っておきたい機械学習の基礎〜最前線 agains COVID-19
PredCNN: Predictive Learning with Cascade Convolutions
PredCNN: Predictive Learning with Cascade Convolutions
Deep Learningを用いたロボット制御
Deep Learningを用いたロボット制御
Deep Residual Learning (ILSVRC2015 winner)
Deep Residual Learning (ILSVRC2015 winner)
【SSII2015】人を観る技術の先端的研究
【SSII2015】人を観る技術の先端的研究
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
Similar to Semantic Segmentation and DeepClustering
ICCV2019 report
ICCV2019 report
Tatsuya Shirakawa
20150414seminar
20150414seminar
nlab_utokyo
DSF2018講演スライド
DSF2018講演スライド
Hiroki Nakahara
2022/02 情報基盤システム学(NAIST)の研究室紹介
2022/02 情報基盤システム学(NAIST)の研究室紹介
inet-lab
B3スタートアップ コンピュータビジョンの現在と未来にやるべきこと(東京電機大学講演)
B3スタートアップ コンピュータビジョンの現在と未来にやるべきこと(東京電機大学講演)
cvpaper. challenge
ArtTrack: Articulated Multi-Person Tracking in the Wild : CV勉強会関東
ArtTrack: Articulated Multi-Person Tracking in the Wild : CV勉強会関東
Yukiyoshi Sasao
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
nlab_utokyo
Similar to Semantic Segmentation and DeepClustering
(7)
ICCV2019 report
ICCV2019 report
20150414seminar
20150414seminar
DSF2018講演スライド
DSF2018講演スライド
2022/02 情報基盤システム学(NAIST)の研究室紹介
2022/02 情報基盤システム学(NAIST)の研究室紹介
B3スタートアップ コンピュータビジョンの現在と未来にやるべきこと(東京電機大学講演)
B3スタートアップ コンピュータビジョンの現在と未来にやるべきこと(東京電機大学講演)
ArtTrack: Articulated Multi-Person Tracking in the Wild : CV勉強会関東
ArtTrack: Articulated Multi-Person Tracking in the Wild : CV勉強会関東
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
Semantic Segmentation and DeepClustering
1.
セマンティックセグメンテーションと DEEP CLUSTERINGについて 宮西 聖加
2.
セマンティックセグメンテーションとは
3.
ENCODER-DECODER WITH ATROUS
SEPARABLE CONVOLUTION FOR SEMANTIC IMAGE SEGMENTATION HTTPS://ARXIV.ORG/PDF/1802.02611V3.PDF 22 AUG 2018 LIANG-CHIEH CHEN,YUKUN ZHU, GEORGE PAPANDREOU, FLORIAN SCHROFF,AND HARTWIG ADAM 画像セグメンテーション手法の一種「DeepLab v3+」 TensorFlowのライブラリ PASCAL VOC 2012セマンティック画像 セグメンテーションデータセットでのIoU(89%) 空間ピラミッドプーリング(SPP)とエンコード・ デコード構造のいいとこどりをした どんなもの? どうやって有効だと検証した? 次に読むべき論文は? 先行研究と比べて何がすごい? 技術の手法の肝は? エンコーダ部分Atrous畳み込みを採用したことで、畳み こんでも解像度が落ちない(プーリングしないから) フィルタがすきっぱだから、特徴抽出が早い。 ResNet U-Net
4.
DEEP RESIDUAL LEARNING
FOR IMAGE RECOGNITION HTTPS://ARXIV.ORG/PDF/1802.02611V3.PDF 10 DEC 2015 KAIMING HE, XIANGYU ZHANG , SHAOQING REN, JIAN SUN , MICROSOFT RESEARCH ニューラルネットワークの一種で、CNNを発展させたもの 「ResNet」 画像セグメンテーションでは、特徴抽出に使われる ImageNetデータセットで、エラーが3.57% COCOオブジェクト検出データセットで28%の相対的な改善 層を深くしても勾配消失が消えないように、「shortcut connection」という新たなルートを加えている ↑では残差を学習している どんなもの? どうやって有効だと検証した? 議論はある? 先行研究と比べて何がすごい? 技術の手法の肝は? それまでのImageNet優勝アルゴリズムの層の深さが22そ うだったのに対して、152層とめちゃめちゃ層が深くでき た(精度が上がった) 層が深いので、学習時間が極端に長い https://www.slideshare.net/KotaNagasato/resnet- 82940994
5.
U-NET: CONVOLUTIONAL NETWORKS
FOR BIOMEDICAL IMAGE SEGMENTATION HTTPS://ARXIV.ORG/PDF/1505.04597.PDF 18 MAY 2015 OLAF RONNEBERGER, PHILIPP FISCHER,AND THOMAS BROX 画像セグメンテーションのためのアルゴリズム 電子顕微鏡スタック内のニューロン構造のセグメンテー ションのためのISBIチャレンジに関する従来の最良の方 法(スライディングウィンドウ畳み込みネットワーク) よりもいい結果だった。 特徴抽出のEncoderで、縮小段階の途中の特徴量マップ を、Decoder段階の学習で再度使用する どんなもの? どうやって有効だと検証した? 先行研究と比べて何がすごい? 技術の手法の肝は? 学習に使う画像の数が少なくていい。 全結合層がないため、学習が早い
6.
TERNAUSNET: U-NET WITH
VGG11 ENCODER PRE-TRAINED ON IMAGENET FOR IMAGE SEGMENTATION HTTPS://ARXIV.ORG/PDF/1801.05746V1.PDF 17 JAN 2018 KaggleのCarvana Image Masking Challengeで1位を取った セグメンテーションモデル https://www.kaggle.com/c/carvana-image-masking- challenge/overview Inria Aerial Image Labeling DatasetでのIoU 0.686(ヨー ロッパとアメリカの都市居住地の航空写真180枚で構成され、 建物クラスではなく建物としてラベル付けされたデータ) U-Netはランダムに初期化された重みで、ゼロから学習してい たが、エンコーダ部分をImageNetで学習したVGG-11でファイ ンチューニングした。 どんなもの? どうやって有効だと検証した? 議論はある? 先行研究と比べて何がすごい? 技術の手法の肝は? 画像分類タスクでファインチューニングはすでに広く使用され ていたが、U-Netに使用したこと。 学習時間が短縮したこと 今回はVGG11の転移学習だったが、これをVGG16やResNetに すると、さらに精度が上がるのではないか?
7.
DEEP CLUSTERING FOR
UNSUPERVISED LEARNING OF VISUAL FEATURES HTTPS://ARXIV.ORG/PDF/1807.05520.PDF 17 JAN 2018 MATHILDE CARON, PIOTR BOJANOWSKI, ARMAND JOULIN, MATTHIJS DOUZE 画像を教師なしでクラスタリングする手法 ニューラルネットワークを使って特徴抽出からその特徴のクラ スタリングまでをEnd to Endで行う Inria Aerial Image Labeling DatasetでのIoU 0.686(ヨー ロッパとアメリカの都市居住地の航空写真180枚で構成され、 建物クラスではなく建物としてラベル付けされたデータ) どんなもの? どうやって有効だと検証した? 次に読むべき論文は? 議論はある? 先行研究と比べて何がすごい? 技術の手法の肝は? 正解ラベルのデータを用意しなくてよい。(教師データにアノ テーションしなくてよい。) まだ精度がでない、っぽい。 画像を一様分布に従ってサンプリングしないと、どの画像も同じ クラスタに分けてしまうことがある。 https://www.slideshare.net/ARISEanalytics/deep- clustering-for-unsupervised-learning-of-visual-features http://pesuchin.hatenablog.com/entry/2018/12/18/09215 0 http://pesuchin.hatenablog.com/entry/2018/12/18/09215 0
Download now