| 講演名 | 2022-12-15 DN4C 和田 俊和(和歌山大), 菅間 幸司(和歌山大), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 色やテクスチャに基づく画像のセグメンテーションは，製品検査・医用・航空・衛星画像など幅広い画像の解析に利用可能であり，近年Deep Neural Network: DNNの導入によって，著しく精度が向上している．しかし，検査する製品や病変，地表や植生などによって，画像は異なり，各ユーザがDNNの学習を行わない限り，各分野で精度の良い画像セグメンテーションは行えない．従来のトレーニング手法は，画像と完全なアノテーションの組を多数用意してから，長時間学習を行うというバッチ型の学習フレームワークで問題がとらえられてきた．これに対して，わずかなデータに対してアノテーションをつけ，それに基づくセグメンテーション結果を見ながら，誤った部分のアノテーションを追加するという対話的な学習方法が実現できれば，ユーザの労力も減り，学習に要する時間の削減も行える．本報告では，このような枠組みで対話的な画像セグメンテーションを実現する方法としてDNNと最近傍識別器: NNCを結合したDN4Cを提案する．DNNのみでセグメンテーションを行う場合，最終層直前で領域ごとの特徴が線形分離可能でなければアノテーションと矛盾するが，DN4Cにはその制限がなく，DNNの層を少なくすることができる．このため，DNNの学習も高速になり，アノテーションと矛盾しない結果を少ない回数の学習で得られる．実験では，プロトタイプシステムを用いたセグメンテーションが対話的に実現できることを示す． |
| 抄録(英) | Color/texture based image segmentation can be widely applied to the images for product and/or medical inspection, remote-sensing, and so on. The accuracy and the robustness against the image noise are drastically improved recently by the introduction of Deep Neural Networks: DNNs. However, depending on the products, lesions, ground surface or vegetation to be examined, training images are quite different, and hence, people cannot enjoy the accurate segmentation system without training the system by themselves. Most of the previous training framework is batch style: providing huge amount of image and annotation pairs and training to minimize the loss function defined by these pairs. On the other hand, if we provide incomplete annotations, like scribbles on small number of images, the system still can learn incomplete segmentation rules. By adding new annotations, the system can learn better rules. By iterating annotation, learning, and segmentation, we can realize “interactive segmentation”, which reduces the annotation tasks. This report proposes a system for interactive segmentation system DN4C by combining DNN and Nearest Neighbor Classifier: NNC. In the pure DNN image segmentation system, the feature distributions at the layer before the output must be linearly separable for producing compatible result with annotations. DN4C have no such limitations. It implies shallower network layers are sufficient, and hence, the faster learning is possible. In the experiment, we examined interactive segmentation is possible using the prototype system. |
| キーワード(和) | 画像セグメンテーション / Deep Neural Network / 最近傍識別器 / Human In The Loop |
| キーワード(英) | Image Segmentation / Deep Neural Network / Nearest Neighbor Classifier / Human In the Loop |
| 資料番号 | PRMU2022-35 |
| 発行日 | 2022-12-08 (PRMU) |
| 研究会情報 | |
| 研究会 | PRMU |
|---|---|
| 開催期間 | 2022/12/15(から2日開催) |
| 開催地（和） | 富山国際会議場 |
| 開催地（英） | Toyama International Conference Center |
| テーマ（和） | 制御のためのCV |
| テーマ（英） | |
| 委員長氏名（和） | 内田 誠一(九大) |
| 委員長氏名（英） | Seiichi Uchida(Kyushu Univ.) |
| 副委員長氏名（和） | 舩冨 卓哉(奈良先端大) / 安倍 満(デンソーアイティーラボラトリ) |
| 副委員長氏名（英） | Takuya Funatomi(NAIST) / Mitsuru Anpai(Denso IT Lab.) |
| 幹事氏名（和） | 山口 光太(サイバーエージェント) / 松井 勇佑(東大) |
| 幹事氏名（英） | Kouta Yamaguchi(CyberAgent) / Yusuke Matsui(Univ. of Tokyo) |
| 幹事補佐氏名（和） | 井上 中順(東工大) / 川西 康友(理研) |
| 幹事補佐氏名（英） | Nakamasa Inoue(Tokyo Inst. of Tech.) / Yasutomo Kawanishi(Riken) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Pattern Recognition and Media Understanding |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | DN4C |
| サブタイトル（和） | Deep Neural Networkと最近傍識別器を組み合わせた対話的セグメンテーションシステム |
| タイトル（英） | DN4C |
| サブタイトル（和） | An Interactive Image Segmentation System Combining DNN And Nearest Neighbor Classifier |
| キーワード(1)（和/英） | 画像セグメンテーション / Image Segmentation |
| キーワード(2)（和/英） | Deep Neural Network / Deep Neural Network |
| キーワード(3)（和/英） | 最近傍識別器 / Nearest Neighbor Classifier |
| キーワード(4)（和/英） | Human In The Loop / Human In the Loop |
| 第 1 著者 氏名（和/英） | 和田 俊和 / Toshikazu Wada |
| 第 1 著者 所属（和/英） | 和歌山大学(略称：和歌山大) Wakayama University(略称：Wakayama University) |
| 第 2 著者 氏名（和/英） | 菅間 幸司 / Koji Kamma |
| 第 2 著者 所属（和/英） | 和歌山大学(略称：和歌山大) Wakayama University(略称：Wakayama University) |
| 発表年月日 | 2022-12-15 |
| 資料番号 | PRMU2022-35 |
| 巻番号（vol） | vol.122 |
| 号番号（no） | PRMU-314 |
| ページ範囲 | pp.19-24(PRMU), |
| ページ数 | 6 |
| 発行日 | 2022-12-08 (PRMU) |