Submit Search
Upload
Texture-Aware Superpixel Segmentation
•
Download as PPTX, PDF
•
0 likes
•
200 views
Y
yukihiro domae
Follow
論文「Texture-Aware Superpixel Segmentation」を読んでみました
Read less
Read more
Science
Report
Share
Report
Share
1 of 16
Download now
Recommended
HiPPO/S4解説
HiPPO/S4解説
Morpho, Inc.
【DL輪読会】Mastering Diverse Domains through World Models
【DL輪読会】Mastering Diverse Domains through World Models
Deep Learning JP
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Deep Learning JP
[DL輪読会]相互情報量最大化による表現学習
[DL輪読会]相互情報量最大化による表現学習
Deep Learning JP
物体検出の歴史(R-CNNからSSD・YOLOまで)
物体検出の歴史(R-CNNからSSD・YOLOまで)
HironoriKanazawa
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII
MixMatch: A Holistic Approach to Semi- Supervised Learning
MixMatch: A Holistic Approach to Semi- Supervised Learning
harmonylab
SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向
SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向
SSII
Recommended
HiPPO/S4解説
HiPPO/S4解説
Morpho, Inc.
【DL輪読会】Mastering Diverse Domains through World Models
【DL輪読会】Mastering Diverse Domains through World Models
Deep Learning JP
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Deep Learning JP
[DL輪読会]相互情報量最大化による表現学習
[DL輪読会]相互情報量最大化による表現学習
Deep Learning JP
物体検出の歴史(R-CNNからSSD・YOLOまで)
物体検出の歴史(R-CNNからSSD・YOLOまで)
HironoriKanazawa
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII
MixMatch: A Holistic Approach to Semi- Supervised Learning
MixMatch: A Holistic Approach to Semi- Supervised Learning
harmonylab
SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向
SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向
SSII
[DL輪読会]Details or Artifacts: A Locally Discriminative Learning Approach to Re...
[DL輪読会]Details or Artifacts: A Locally Discriminative Learning Approach to Re...
Deep Learning JP
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII
DeepLearningTutorial
DeepLearningTutorial
Takayoshi Yamashita
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
Deep Learning JP
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII
【DL輪読会】論文解説:Offline Reinforcement Learning as One Big Sequence Modeling Problem
【DL輪読会】論文解説:Offline Reinforcement Learning as One Big Sequence Modeling Problem
Deep Learning JP
Depth Estimation論文紹介
Depth Estimation論文紹介
Keio Robotics Association
[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets
[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets
Deep Learning JP
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
MPRG_Chubu_University
[DL輪読会]Transframer: Arbitrary Frame Prediction with Generative Models
[DL輪読会]Transframer: Arbitrary Frame Prediction with Generative Models
Deep Learning JP
物体検知(Meta Study Group 発表資料)
物体検知(Meta Study Group 発表資料)
cvpaper. challenge
[DL輪読会]Focal Loss for Dense Object Detection
[DL輪読会]Focal Loss for Dense Object Detection
Deep Learning JP
[DL輪読会]Deep Learning 第15章 表現学習
[DL輪読会]Deep Learning 第15章 表現学習
Deep Learning JP
論文紹介: Fast R-CNN&Faster R-CNN
論文紹介: Fast R-CNN&Faster R-CNN
Takashi Abe
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
[DL輪読会]PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
[DL輪読会]PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
Deep Learning JP
[DL輪読会]Randomized Prior Functions for Deep Reinforcement Learning
[DL輪読会]Randomized Prior Functions for Deep Reinforcement Learning
Deep Learning JP
20190619 オートエンコーダーと異常検知入門
20190619 オートエンコーダーと異常検知入門
Kazuki Motohashi
東大大学院 電子情報学特論講義資料「ハイパーパラメタ最適化ライブラリOptunaの開発」柳瀬利彦
東大大学院 電子情報学特論講義資料「ハイパーパラメタ最適化ライブラリOptunaの開発」柳瀬利彦
Preferred Networks
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recog...
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recog...
yukihiro domae
FeaStNet: Feature-Steered Graph Convolutions for 3D Shape Analysis
FeaStNet: Feature-Steered Graph Convolutions for 3D Shape Analysis
yukihiro domae
More Related Content
What's hot
[DL輪読会]Details or Artifacts: A Locally Discriminative Learning Approach to Re...
[DL輪読会]Details or Artifacts: A Locally Discriminative Learning Approach to Re...
Deep Learning JP
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII
DeepLearningTutorial
DeepLearningTutorial
Takayoshi Yamashita
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
Deep Learning JP
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII
【DL輪読会】論文解説:Offline Reinforcement Learning as One Big Sequence Modeling Problem
【DL輪読会】論文解説:Offline Reinforcement Learning as One Big Sequence Modeling Problem
Deep Learning JP
Depth Estimation論文紹介
Depth Estimation論文紹介
Keio Robotics Association
[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets
[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets
Deep Learning JP
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
MPRG_Chubu_University
[DL輪読会]Transframer: Arbitrary Frame Prediction with Generative Models
[DL輪読会]Transframer: Arbitrary Frame Prediction with Generative Models
Deep Learning JP
物体検知(Meta Study Group 発表資料)
物体検知(Meta Study Group 発表資料)
cvpaper. challenge
[DL輪読会]Focal Loss for Dense Object Detection
[DL輪読会]Focal Loss for Dense Object Detection
Deep Learning JP
[DL輪読会]Deep Learning 第15章 表現学習
[DL輪読会]Deep Learning 第15章 表現学習
Deep Learning JP
論文紹介: Fast R-CNN&Faster R-CNN
論文紹介: Fast R-CNN&Faster R-CNN
Takashi Abe
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
[DL輪読会]PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
[DL輪読会]PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
Deep Learning JP
[DL輪読会]Randomized Prior Functions for Deep Reinforcement Learning
[DL輪読会]Randomized Prior Functions for Deep Reinforcement Learning
Deep Learning JP
20190619 オートエンコーダーと異常検知入門
20190619 オートエンコーダーと異常検知入門
Kazuki Motohashi
東大大学院 電子情報学特論講義資料「ハイパーパラメタ最適化ライブラリOptunaの開発」柳瀬利彦
東大大学院 電子情報学特論講義資料「ハイパーパラメタ最適化ライブラリOptunaの開発」柳瀬利彦
Preferred Networks
What's hot
(20)
[DL輪読会]Details or Artifacts: A Locally Discriminative Learning Approach to Re...
[DL輪読会]Details or Artifacts: A Locally Discriminative Learning Approach to Re...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
DeepLearningTutorial
DeepLearningTutorial
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
【DL輪読会】論文解説:Offline Reinforcement Learning as One Big Sequence Modeling Problem
【DL輪読会】論文解説:Offline Reinforcement Learning as One Big Sequence Modeling Problem
Depth Estimation論文紹介
Depth Estimation論文紹介
[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets
[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
[DL輪読会]Transframer: Arbitrary Frame Prediction with Generative Models
[DL輪読会]Transframer: Arbitrary Frame Prediction with Generative Models
物体検知(Meta Study Group 発表資料)
物体検知(Meta Study Group 発表資料)
[DL輪読会]Focal Loss for Dense Object Detection
[DL輪読会]Focal Loss for Dense Object Detection
[DL輪読会]Deep Learning 第15章 表現学習
[DL輪読会]Deep Learning 第15章 表現学習
論文紹介: Fast R-CNN&Faster R-CNN
論文紹介: Fast R-CNN&Faster R-CNN
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
[DL輪読会]PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
[DL輪読会]PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
[DL輪読会]Randomized Prior Functions for Deep Reinforcement Learning
[DL輪読会]Randomized Prior Functions for Deep Reinforcement Learning
20190619 オートエンコーダーと異常検知入門
20190619 オートエンコーダーと異常検知入門
東大大学院 電子情報学特論講義資料「ハイパーパラメタ最適化ライブラリOptunaの開発」柳瀬利彦
東大大学院 電子情報学特論講義資料「ハイパーパラメタ最適化ライブラリOptunaの開発」柳瀬利彦
More from yukihiro domae
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recog...
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recog...
yukihiro domae
FeaStNet: Feature-Steered Graph Convolutions for 3D Shape Analysis
FeaStNet: Feature-Steered Graph Convolutions for 3D Shape Analysis
yukihiro domae
Graph U-Net
Graph U-Net
yukihiro domae
Graph Refinement based Tree Extraction using Mean-Field Networks and Graph Ne...
Graph Refinement based Tree Extraction using Mean-Field Networks and Graph Ne...
yukihiro domae
Learning Depthwise Separable Graph Convolution from Data Manifold
Learning Depthwise Separable Graph Convolution from Data Manifold
yukihiro domae
Superpixel Sampling Networks
Superpixel Sampling Networks
yukihiro domae
Graph LSTM解説
Graph LSTM解説
yukihiro domae
Graph convolution (スペクトルアプローチ)
Graph convolution (スペクトルアプローチ)
yukihiro domae
Dynamic Routing Between Capsules
Dynamic Routing Between Capsules
yukihiro domae
More from yukihiro domae
(9)
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recog...
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recog...
FeaStNet: Feature-Steered Graph Convolutions for 3D Shape Analysis
FeaStNet: Feature-Steered Graph Convolutions for 3D Shape Analysis
Graph U-Net
Graph U-Net
Graph Refinement based Tree Extraction using Mean-Field Networks and Graph Ne...
Graph Refinement based Tree Extraction using Mean-Field Networks and Graph Ne...
Learning Depthwise Separable Graph Convolution from Data Manifold
Learning Depthwise Separable Graph Convolution from Data Manifold
Superpixel Sampling Networks
Superpixel Sampling Networks
Graph LSTM解説
Graph LSTM解説
Graph convolution (スペクトルアプローチ)
Graph convolution (スペクトルアプローチ)
Dynamic Routing Between Capsules
Dynamic Routing Between Capsules
Texture-Aware Superpixel Segmentation
1.
Texture-Aware Superpixel Segmentation 1
2.
Texture-Aware Superpixel Segmentation概要 •
TextureAware SuperPixel (TASP)の特徴 • 同じパラメータで高テクスチャな画像でもそうでない画像もセグメント化できる • Superpixel 内での特徴の分散に従って空間的な制約を調整 • Superpixel 内のテクスチャの均一性を確保 • 既存のほとんどのSuperpixel手法 • 色の関係だけしか考慮していない • 例:CIE Lab空間の距離によってSuperpixelを生成する手法 ERS, SEEDS, SLIC, ERGC,SNIC 2
3.
なぜ画像をSuperpixelにするのか • 情報の局所的な冗長性を利用して計算上の負担を軽減 • ピクセルレベルのノイズを減らし、性能を潜在的に改善 3
4.
TASPと既存のSuperpixelアルゴリズムとの比較 • 従来のSuperpixelアルゴリズムは、Pixelの空間・色特徴のトレードオフを計算 • 2つのバランスをとるために細かいパラメータ調整を要する ➡
局所的なテクスチャをピクセル単位でグループ化に失敗しやすい • 色の関係だけしか考慮していない • 例:CIE Lab空間の距離によってSuperpixelを生成する手法 ERS, SEEDS, SLIC, ERGC,SNIC • TASPは局所的な特徴の分散によって空間的な制約を自動的に調整する • 適切にテクスチャと滑らかな領域をセグメントする • Superpixel内でテクスチャの均一性を保証するために パッチベースの距離に対する新しいピクセルが生成される 4
5.
TASPと既存のSuperpixelアルゴリズムとの比較 • ピクセル情報だけを使用するSuperpixel手法 • テクスチャパターンからうける影響が大きい •
TASPは適切にセグメントする 5
6.
SLICアルゴリズム ① 初期化→それぞれのSuperpixelの特徴と平均位置を決める ② 各PixelがどのSuperpixelに特徴が似ているのかを探す ➡
Pixelとsuperpixelの特徴の距離が最小のsuperpixelにPixelと関連付け (TASPは距離の計算方法を改良) ③ それぞれの関連付けされたPixelの特徴の平均をsuperpixelの特徴にする (Superpixelの更新) 6
7.
SLICとの違い • SuperpixelとPixelとの距離の求め方 • SLIC •
TASP 7 Lab色空間 の距離 Lab色空間 の距離 空間距離 (Pixel座標) 空間距離 (Pixel座標) Superpixel内の Texture類似度
8.
SLIC空間距離𝑑 𝑠 𝑑 𝑠(𝑋
𝑝, 𝑋𝑆 𝑖 ) 𝑚2 𝑠2 • 𝑚はSuperpixelの形状の規則性を設定するパラメータ • Lab色空間とpixel座標値のユークリッド距離 ➡ 画像サイズが大きいとき色より空間的な重要度が高くなる ➡ 境界をうまくとらえられなくなる • 𝑚によって色の類似性と空間の類似性の相対的な重要度を調節する ( 𝑚は手動で設定(固定値)) 8 ← 空間的類似性の重要度 ← 正規化用
9.
SLIC空間距離𝑑 𝑠 𝑑 𝑠(𝑋
𝑝, 𝑋𝑆 𝑖 ) 𝑚2 𝑠2 • 𝑚が大きいとき • 空間的な類似性が重要視される • 得られるスーパーピクセルはよりコンパクトになる • 𝑚が小さいとき • 得られるスーパーピクセルは画像境界によりしっかりと付着する • 規則的なサイズおよび形状ではなくなる 9 ← 空間的類似性の重要度 ← 正規化用
10.
TASP空間距離𝑑 𝑠 𝑑 𝑠(𝑋
𝑝, 𝑋𝑆 𝑖 ) 𝑚𝑖 2 𝑠2 𝑚𝑖 = 𝑚 exp( 𝜎𝑖(𝐹𝑝)2) 𝛽 ) • 𝑚𝑖をSuperpixel S𝑖 内のPixelの特徴の分散を使用して決定 ➡ Superpixel S𝑖 に選ばれるPixelの範囲を決定 • 分散大きい • 空間的類似性を重視 ➡ Superpixel 𝑆𝑖 の近くのPixelを選ぶ可能性が高くなる • 分散小さい • 色の類似性を重視 ➡ Superpixel 𝑆𝑖 から遠いPixelも選ぶ可能性がある 10 ← Superpixel内の𝐹𝑝の分散 ← Scaling Parameter(正規化用) 𝑚 = 0.1 𝛽 = 25
11.
Texture Homogeneity Measure
𝑑 𝑝 𝑑 𝑃 𝑝, 𝑆𝑖 = 1 𝑁 𝑝 𝑖∈𝜅 𝑝 𝑑 𝑃 𝑝, 𝑝𝑖 𝑑 𝑃 𝑝, 𝑝𝑖 = 1 𝑛 𝐹𝑃(𝑝) − 𝐹𝑃(𝑃 𝑖) 2 11 𝑝 : Pixel 𝑆𝑖 : Superpixel 𝜅 𝑝 : 選択されたパッチの集合 𝑛 : パッチサイズ 𝐹𝑃(𝑝) : Pixel部分のパッチの特徴 𝐹𝑃(𝑃 𝑖) : 選択されたパッチの中心ピクセルの特徴
12.
Texture Homogeneity Measure
𝑑 𝑝 𝑑 𝑃 𝑝, 𝑝𝑖 = 1 𝑛 𝐹𝑃(𝑝) − 𝐹𝑃(𝑃 𝑖) 2 + 𝑚𝑖 2 𝑠2 Γ(𝑋 𝑝 𝑖 , 𝑋 𝑆 𝑖 ) Γ 𝑋 𝑝 𝑖 , 𝑋𝑆 𝑖 = 2𝑠2 1 − exp − 𝑋 𝑝 𝑖 − 𝑋𝑆 𝑖 2 2 𝑠2 • 青枠はパッチ 𝑝𝑖 とSuperpixel 𝑆𝑖 の距離 • Superpixel S𝑖 から離れているパッチを不利にする • ➡ Superpixel S𝑖 の均一なテクスチャ領域への移動を促進 12
13.
実験で使用したデータセット • ① ストライプを合成(10枚) •
② Brodatz Datasetを合成(100枚) • ③ Berkeley Segmentation Dataset(200枚) 13
14.
結果 • それぞれの項の寄与度 • Superpixel手法における精度比較 14 𝑑
𝑃 𝑝, 𝑝𝑖 = 1 𝑛 𝐹𝑃(𝑝) − 𝐹𝑃(𝑃 𝑖) 2 + 𝑚𝑖 2 𝑠2 Γ(𝑋 𝑝𝑖 , 𝑋𝑆 𝑖 )→ 𝑑 𝑃 𝑝, 𝑝𝑖 = 1 𝑛 𝐹𝑃(𝑝) − 𝐹𝑃(𝑃 𝑖) 2 →
15.
結果 • ピクセル情報だけを使用するSuperpixel手法 • テクスチャパターンからうける影響が大きい •
TASPは適切にセグメントする 15
16.
画像比較 16
Editor's Notes
テクスチャの均一性を測る項になる ピクセルpとスーパーピクセルSiがあったとき Siの中でδだけ離れたある一定のパッチサイズの中心の特徴とのユークリッド距離の平均をとる
テクスチャの均一性を測る項になる ピクセルpとスーパーピクセルSiがあったとき Siの中でδだけ離れたある一定のパッチサイズの中心の特徴とのユークリッド距離の平均をとる
Download now