Segmentationのためのスーパーピクセル上でのGraph Convolutional Neural Networksの提案

鈴木 哲平  青木 義満  

誌名
電子情報通信学会論文誌 D   Vol.J101-D   No.8   pp.1120-1129
発行日: 2018/08/01
Online ISSN: 1881-0225
DOI: 10.14923/transinfj.2017IUP0008
論文種別: 特集論文 (画像の認識・理解論文特集)
専門分野: 
キーワード: 
領域分割,  グラフ畳み込み,  ニューラルネットワーク,  

本文: PDF(6.3MB)
>>論文を購入


あらまし: 
近年,畳み込みニューラルネットワーク(CNN)の成功により,物体認識の精度が飛躍的に向上した.それに伴い,一般物体検出の問題は矩形による検出から,より高度な認識を目指してピクセルレベルでの検出(Segmentation)問題に関心が移っている.しかし,CNNを用いた領域分割の欠点として,プーリング層によるダウンサンプリングが原因で空間的な情報が欠落してしまい物体の輪郭付近での領域分割精度が低下することがあげられる.最近の研究ではスキップコネクションと呼ばれる離れたCNNの層を接続する構造を用いてダウンサンプリングされる前の情報を直接伝播させ解決する方法が広く応用されている.しかし,スキップコネクションのみでは十分な改善が得られていないのが現状である.そこで本論文ではプーリングによる情報の欠落を防ぐ別のアプローチとして,スーパーピクセル上でのグラフ畳み込み(Graph Convolution)を提案する.また,グラフ畳み込みの拡張として,より効果的に受容野を広げるDilated Graph Convolutionを提案する.HKU-ISデータセットを用いた領域分割の課題において,提案手法が同一構成の従来のCNNを上回るFβ-Score,平均絶対誤差(MAE)を達成した.