Přejít k hlavnímu obsahu

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

CSU-Net: Contour Semantic Segmentation Self-Enhancement for Human Head Detection
Autoři: Chouai Mohamed | Doležel Petr
Rok: 2023
Druh publikace: článek v odborném periodiku
Název zdroje: IEEE ACCESS
Název nakladatele: IEEE (Institute of Electrical and Electronics Engineers)
Místo vydání: New York
Strana od-do: 987-999
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze CSU-Net: semantická segmentace kontur pro vylepšení metod detekce lidských hlav Komunita zabývající se počítačovým viděním dosáhla obrovského pokroku při řešení různých sémantických úloh porozumění obrazu, jako je klasifikace a segmentace. S rozvojem zobrazovacích technologií a hardwaru patří sémantická segmentace obrazu pomocí hlubokého učení k nejčastějším tématům, na kterých se v posledním desetiletí pracuje. Sémantická segmentace obrazu však trpí několika nedostatky, jako je nedostatečná detekce hranic objektů. V této studii představujeme novou architekturu konvoluční neuronové sítě nazvanou CSU-Net, jejímž cílem je samoúčelné zlepšení výsledků sémantické segmentace. Navrhovaný model se skládá ze dvou silně provázaných bloků kodér-dekodér. Díky této konstrukci jsme snížili požadavky na výpočetní výkon a velikost paměti, abychom snížili náklady a zvýšili rychlost trénování/předpovídání. Tato studie také ukazuje výhodu navrhovaného systému pro malé soubory trénovacích dat. Navrhovaný přístup byl implementován na naší soukromé datové sadě i na veřejně dostupné datové sadě. Byla provedena srovnávací analýza se čtyřmi populárními segmentačními modely a třemi dalšími nedávno představenými architekturami, aby se ukázala účinnost navrhovaného systému. Síť CSU-Net překonala ostatní konkurenční neuronové sítě, které jsme pro srovnávací studii zvažovali. Jako příklad lze uvést, že se jí podařilo zlepšit výsledek tradiční sítě U-Net přibližně o 50 % v průměrné hodnotě Intersection over Union (mIoU) pro obě testované datové sady. Na základě našich zkušeností může CSU-Net zlepšit výsledky sémantické segmentace v mnoha aplikacích. CSU-Net; semantická; segmentace; kontur; pro; vylepšení; metod; detekce; lidských; hlav
eng CSU-Net: Contour Semantic Segmentation Self-Enhancement for Human Head Detection The computer vision community has made tremendous progress in solving a variety of semantic image understanding tasks, such as classification and segmentation. With the advancement of imaging technology and hardware, image semantic segmentation, through the use of deep learning, is among the most common topics which have been worked on in the last decade. However, image semantic segmentation suffers from several drawbacks such as insufficient detection of object boundaries. In this study, we present a new convolutional neural network architecture called CSU-Net that aims to self-enhance the results of semantic segmentation. The proposed model consists of two strongly concatenated encoder-decoder blocks. With this design, we reduced requirements on computing power and memory size to decrease costs and increase the training/prediction speed. This study also demonstrates the advantage of the proposed system for small training data sets. The proposed approach has been implemented on our private dataset, as well as on a publicly available dataset. A comparative analysis was carried out with four popular segmentation models and three other recently introduced architectures to show the efficiency of the proposed system. CSU-Net outperformed the other competing neural networks that we considered for the comparative study. As an example, it succeeded in improving the traditional U-Net result by approximately 50% in mean Intersection over Union (mIoU) for both tested datasets. Based on our experience, the CSU-Net can improve results of semantic segmentation in many applications. Safety systems; head detection; head counting; semantic segmentation; self-enhancement