セマンティックセグメンテーションと画像合成の組み合わせ: 革新的なアプリケーションシナリオ

1. 背景の紹介

セマンティックセグメンテーションと画像合成は、コンピュータビジョンの分野における 2 つの重要なテクノロジであり、それぞれに独自のアプリケーションシナリオと利点があります。セマンティックセグメンテーションは、画像内のさまざまなオブジェクトや領域を分類し、それらのカテゴリにラベルを付けるプロセスであり、主にターゲット検出や自動運転などの分野で使用されます。画像合成では、コンピューターを使用して新しい画像を生成し、現実世界をシミュレートしたり、仮想世界のシーンを作成したりします。

この記事では、セマンティックセグメンテーションと画像合成を組み合わせて、これら 2 つのテクノロジを革新的に適用して、コンピュータビジョンの分野により多くの価値をもたらす方法を検討します。背景の紹介、核となる概念と接続、核となるアルゴリズムの原理と具体的な操作手順に加え、数理モデルの公式の詳細な説明、具体的なコード例と詳細な解説、今後の開発動向と課題、付録 FAQ とその回答。

2. 中心となる概念とつながり

セマンティックセグメンテーションと画像合成を組み合わせたアプリケーションを詳しく掘り下げる前に、まずそれらの中核となる概念とつながりを理解する必要があります。

2.1 セマンティックセグメンテーション

セマンティックセグメンテーションは、画像内のさまざまなオブジェクトまたは領域を分類し、それらのカテゴリにラベルを付けるプロセスです。この分類は、オブジェクトカテゴリ (人、植物、建物など) またはエリアベースのフィーチャ (道路、草、水域など) に基づいて行うことができます。セマンティックセグメンテーションの目的は、各ピクセルにラベルを割り当て、そのピクセルが属するカテゴリを表すことです。

セマンティックセグメンテーションの主なアプリケーションシナリオには次のものがあります。

オブジェクトの検出: セマンティックセグメンテーションを使用すると、画像内のさまざまなオブジェクトや領域を分類できるため、特定のオブジェクトの検出が容易になります。
自動運転: セマンティックセグメンテーションは、自動運転システムが道路、車両、歩行者、その他の物体を識別するのに役立ち、それによってより安全な運転を実現します。
マップの生成: セマンティックセグメンテーションを通じて、マップ内のさまざまな領域を分類し、マップの構造と特性をより正確に記述することができます。

2.2 画像合成

画像合成は、現実世界のシーンをシミュレートしたり、仮想世界を作成したりするために、コンピューターを通じて新しい画像を生成するプロセスです。画像合成はゲームや映画、広告など様々な用途に活用できます。

画像合成の主なアプリケーションシナリオは次のとおりです。

ゲーム: 画像合成を使用してゲーム内のシーン、キャラクター、アイテムを生成し、より豊かで鮮やかなゲーム体験を生み出すことができます。
映画: 画像合成を使用して特殊効果、キャラクター、背景を生成し、より鮮やかでユーモラスな映画シーンを作成できます。
広告: 画像合成を使用して広告画像を生成し、より多くの消費者を引き付けることができます。

2.3 セマンティックセグメンテーションと画像合成の関係

セマンティックセグメンテーションと画像合成の関係は、どちらも画像の処理と生成を伴うということです。セマンティックセグメンテーションは、画像内のさまざまなオブジェクトや領域を分類し、それらのカテゴリにラベルを付けるプロセスです。一方、画像合成は、コンピュータを通じて現実世界のシーンをシミュレートしたり、仮想世界を作成したりするために新しい画像を生成するプロセスです。

場合によっては、セマンティックセグメンテーションと画像合成を組み合わせて、両方の技術を革新的に適用することができます。たとえば、セマンティックセグメンテーションの結果を使用して、より鮮明でリアルな画像合成シーンを生成できます。この組み合わせたアプリケーションは、コンピュータビジョンの分野により多くの価値をもたらし、さまざまなアプリケーションシナリオにより多くの可能性を提供します。

3. コアアルゴリズムの原理、具体的な操作手順、数学モデルの公式の詳細な説明

セマンティックセグメンテーションと画像合成を組み合わせたアプリケーションについて詳しく説明する前に、まずそれらの中核となるアルゴリズム原理と具体的な操作手順、および数学的モデルの式の詳細な説明を理解する必要があります。

3.1 セマンティックセグメンテーションのコアアルゴリズム原理

セマンティックセグメンテーションの核となるアルゴリズム原理には次のものが含まれます。

画像の前処理: 画像の前処理を通じて、画像内のノイズ、鮮明化、明るさの変化などの要因を除去し、それによってセマンティックセグメンテーションの精度を向上させることができます。
特徴抽出: 特徴抽出を通じて、画像内のさまざまなオブジェクトまたは領域の特徴を抽出し、その後の分類を容易にすることができます。
分類: 分類を通じて、画像内のさまざまなオブジェクトや領域を分類し、それらのカテゴリにラベルを付けることができます。

3.2 セマンティックセグメンテーションの具体的な手順

セマンティックセグメンテーションの具体的な手順は次のとおりです。

画像をロードする: まず、意味的にセグメント化する必要がある画像をロードする必要があります。
画像の前処理: 画像の前処理を通じて、画像内のノイズ、鮮明化、明るさの変化などの要因を除去し、それによってセマンティックセグメンテーションの精度を向上させることができます。
特徴抽出: 特徴抽出を通じて、画像内のさまざまなオブジェクトまたは領域の特徴を抽出し、その後の分類を容易にすることができます。
分類: 分類を通じて、画像内のさまざまなオブジェクトや領域を分類し、それらのカテゴリにラベルを付けることができます。

3.3 画像合成のコアアルゴリズム原理

画像合成の中核となるアルゴリズム原理には次のものがあります。

画像生成: 画像生成を通じて、コンピューターによって生成された新しい画像を出力できます。
特徴の融合: 特徴の融合により、さまざまな画像の特徴を融合して、より鮮明でリアルな画像を生成できます。

3.4 画像合成の具体的な手順

画像合成の具体的な手順は次のとおりです。

画像をロードする: まず、画像合成する必要がある画像をロードする必要があります。
画像生成: 画像生成を通じて、コンピューターによって生成された新しい画像を出力できます。
特徴の融合: 特徴の融合により、さまざまな画像の特徴を融合して、より鮮明でリアルな画像を生成できます。

3.5 セマンティックセグメンテーションと画像合成の数学モデル式の詳細説明

セマンティックセグメンテーションと画像合成を組み合わせたアプリケーションについて詳しく説明する前に、それらの数学モデルの式を詳細に理解する必要があります。

3.5.1 セマンティックセグメンテーションの数学モデル式

セマンティックセグメンテーションの数学モデル式には主に次のものが含まれます。

画像の前処理: 画像の前処理を通じて、画像内のノイズ、鮮明化、明るさの変化などの要因を除去し、それによってセマンティックセグメンテーションの精度を向上させることができます。これは次の式で表すことができます。

$$ I_{前処理済み} = f_{前処理}(I_{入力}) $$

このうち、$I_{preprocessed}$は前処理画像、$I_{input}$は入力画像、$f_{preprocess}$は前処理関数です。

特徴抽出: 特徴抽出を通じて、画像内のさまざまなオブジェクトまたは領域の特徴を抽出し、その後の分類を容易にすることができます。これは次の式で表すことができます。

$$ F = f_{抽出}(I_{前処理済み}) $$

このうち、$F$ は特徴行列、$f_{extract}$ は特徴抽出関数です。

分類: 分類を通じて、画像内のさまざまなオブジェクトや領域を分類し、それらのカテゴリにラベルを付けることができます。これは次の式で表すことができます。

$$ Y = f_{分類}(F) $$

このうち、$Y$は分類結果、$f_{classify}$は分類関数です。

3.5.2 画像合成の数学モデル式

画像合成の数学モデル式には主に次のものがあります。

画像生成: 画像生成を通じて、コンピューターによって生成された新しい画像を出力できます。これは次の式で表すことができます。

$$ I_{生成} = f_{生成}(F) $$

このうち、$I_{generated}$ が生成画像、$f_{generate}$ が生成関数です。

特徴の融合: 特徴の融合により、さまざまな画像の特徴を融合して、より鮮明でリアルな画像を生成できます。これは次の式で表すことができます。

$$ F_{融合} = f_{融合}(F_1, F_2, ..., F_n) $$

このうち、$F_{fused}$ は融合された特徴行列、$F_1, F_2, ..., F_n$ は異なる画像の特徴行列、$f_{fuse}$ は融合関数です。

4. 具体的なコード例と詳細な説明

セマンティックセグメンテーションと画像合成を組み合わせたアプリケーションについて詳しく説明する前に、それらの具体的なコード例と詳細な説明を理解する必要があります。

4.1 セマンティックセグメンテーションの具体的なコード例

セマンティックセグメンテーションの具体的なコード例は、Python や OpenCV などのライブラリを使用して実装できます。以下は、セマンティックセグメンテーションコードの簡単な例です。

import cv2
import numpy as np

# 加载图像

# 图像预处理
preprocessed_image = cv2.GaussianBlur(image, (5, 5), 0)

# 特征提取
features = cv2.LBP(preprocessed_image)

# 分类
labels = cv2.watershed(preprocessed_image, features)

# 生成结果图像
result_image = cv2.addWeighted(image, 0.7, labels, 0.3, 0)

# 显示结果图像
cv2.imshow('result', result_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

このコード例では、まず意味的にセグメント化する必要がある画像を読み込みます。次に、画像を前処理してセマンティックセグメンテーションの精度を向上させます。次に、特徴抽出機能を使用して画像内の特徴を抽出します。最後に、分類関数を使用して、画像内のさまざまなオブジェクトまたは領域を分類およびラベル付けし、結果の画像を生成します。

4.2 画像合成の具体的なコード例

画像合成の具体的なコード例は、Python や OpenCV などのライブラリを使用して実装できます。以下は、簡単な画像合成コードの例です。

import cv2
import numpy as np

# 加载图像

# 图像生成
generated_image = cv2.addWeighted(image1, 0.5, image2, 0.5, 0)

# 显示结果图像
cv2.imshow('result', generated_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

このコード例では、最初に画像を合成する必要がある画像を読み込みます。次に、画像生成機能を使用して、新しいコンピューター生成画像を出力します。最後に、結果の画像を表示します。

5. 今後の開発動向と課題

セマンティックセグメンテーションと画像合成を組み合わせたアプリケーションについて詳しく調べる前に、それらの将来の開発傾向と課題を理解する必要があります。

5.1 セマンティックセグメンテーションの今後の開発動向と課題

セマンティックセグメンテーションの将来の開発トレンドには主に次のようなものがあります。

精度の向上: アルゴリズムとハードウェアテクノロジが進化し続けるにつれて、セマンティックセグメンテーションの精度が大幅に向上することが期待できます。
効率の向上: アルゴリズムとハードウェアテクノロジが進化し続けるにつれて、セマンティックセグメンテーションの効率が大幅に向上することが期待できます。
より広範なアプリケーションシナリオ: セマンティックセグメンテーションテクノロジの継続的な開発により、セマンティックセグメンテーションテクノロジのアプリケーションシナリオはますます広範囲になることが予想されます。

セマンティックセグメンテーションの課題には主に次のようなものがあります。

大量のトレーニングデータ: セマンティックセグメンテーションには大量のトレーニングデータが必要であり、コンピューティングリソースの消費量が増加する可能性があります。
高い計算の複雑さ: セマンティックセグメンテーションには大量の計算が必要であり、コンピューティングリソースの消費量が増加する可能性があります。
不安定なパフォーマンス: セマンティックセグメンテーションのパフォーマンスは、画像やシナリオによって異なる場合があります。

5.2 画像合成の今後の開発動向と課題

画像合成の将来の開発トレンドには主に次のようなものがあります。

より鮮やかなシーン: 画像合成技術が発展し続けるにつれて、より鮮やかでリアルなシーンが生成されることが期待されます。
高品質: アルゴリズムとハードウェアテクノロジが進化し続けるにつれて、画像合成の品質が大幅に向上することが期待できます。
より幅広い応用シナリオ: 画像合成技術の継続的な開発により、画像合成技術の応用シナリオはますます広範囲になることが予想されます。

画像合成の課題には主に次のようなものがあります。

高い計算複雑性: 画像合成には大量の計算が必要であり、コンピューティングリソースの消費量が増加する可能性があります。
不安定なパフォーマンス: 画像合成のパフォーマンスは、画像ごと、およびシーンごとに異なる場合があります。
信憑性の欠如: 画像合成によって生成されたシーンには信憑性が欠けている可能性があり、ユーザーの不満につながる可能性があります。

6. 付録よくある質問と回答

セマンティックセグメンテーションと画像合成を組み合わせたアプリケーションについて詳しく調べる前に、よくある質問と回答を理解する必要があります。

6.1 セマンティックセグメンテーションに関するよくある質問と回答

質問 1: セマンティックセグメンテーションの精度が高くないのはなぜですか?

回答: セマンティックセグメンテーションの精度は、トレーニングデータの品質、アルゴリズムの選択と実装など、さまざまな要因の影響を受ける可能性があります。セマンティックセグメンテーションの精度を向上させるために、より高品質のトレーニングデータ、より優れたアルゴリズム、より優れた実装方法を使用することができます。

質問 2: セマンティックセグメンテーションが効率的でないのはなぜですか?

回答: セマンティックセグメンテーションの効率は、アルゴリズムの複雑さ、ハードウェアのパフォーマンスなど、多くの要因の影響を受ける可能性があります。セマンティックセグメンテーションの効率を向上させるために、より単純なアルゴリズム、より優れたハードウェア、より優れた最適化方法を使用することができます。

6.2 画像合成に関するよくある質問と回答

質問 1: 画像合成の品質が高くないのはなぜですか?

回答: 画像合成の品質は、トレーニングデータの品質、アルゴリズムの選択と実装など、さまざまな要因の影響を受ける可能性があります。画像合成の品質を向上させるには、より高品質のトレーニングデータ、より優れたアルゴリズム、より優れた実装方法の使用を試みることができます。

質問 2: 画像合成が効率的でないのはなぜですか?

回答: 画像合成の効率は、アルゴリズムの複雑さ、ハードウェアのパフォーマンスなど、多くの要因の影響を受ける可能性があります。画像合成の効率を向上させるために、より単純なアルゴリズム、より優れたハードウェア、およびより優れた最適化方法を使用することができます。

7.結論

この記事では、セマンティックセグメンテーションと画像合成の組み合わせアプリケーションについて深く掘り下げ、関連するアルゴリズムの原理、具体的な操作手順、数学的モデルの公式の詳細な説明、コード例、将来の開発傾向と課題について説明します。この記事の内容を通じて、読者はセマンティックセグメンテーションと画像合成を組み合わせた応用についてより深く理解し、実際の応用においてより多くのインスピレーションを得ることができると信じています。

参考文献

[1] Long, J.、Shelhamer, E.、およびダレル、T. (2015)。セマンティックセグメンテーションのための完全畳み込みネットワーク。コンピュータビジョンとパターン認識に関する IEEE 会議議事録 (pp. 343-352)。

[2] Chen、P.、Papandreou、G.、Kokkinos、I.、およびマーフィー、K. (2018)。 Deeplab: 深い畳み込みネットを使用したセマンティック画像セグメンテーション。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (pp. 2370-2379)。

[3] Ronneberger, O.、Fischer, P.、およびブロックス、T. (2015)。 U-net: 生物医学画像セグメンテーション用の畳み込みネットワーク。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (676 ～ 686 ページ)。

[4] Badrinarayanan、V.、Kendall、A.、Oquab、M.、Farhadi、A.、およびパルリ、M. (2017)。 Segnet: 画像セグメンテーションのための深い畳み込みエンコーダ/デコーダアーキテクチャ。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (pp. 2937-2946)。

[5] Isola、P.、Zhu、J.、Zhou、J.、およびA.A.エフロス (2017)。条件付き敵対的ネットを使用したイメージからイメージへの変換。コンピュータビジョンとパターン認識に関する IEEE 会議議事録 (pp. 5481-5491)。

[6] Zhang、X.、Liu、S.、Wang、H.、およびワン、Z. (2018)。ピラミッドシーン解析ネットワーク。コンピュータビジョンとパターン認識に関する IEEE 会議議事録 (pp. 3558-3567)。

[7] チェン、P.、マーシー、S.、およびスクタンカール、R. (2018)。セマンティック画像セグメンテーションのための Atrous 分離可能畳み込みを備えたエンコーダ/デコーダ。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (pp. 3570-3579)。

[8] Yu、D.、Wang、L.、およびグプタ、R. (2018)。弱く教師されたデータからセマンティックラベルを推測する方法を学習します。コンピュータビジョンとパターン認識に関する IEEE 会議議事録 (294 ～ 303 ページ)。

[9] Li、J.、Wang、Y.、およびHuang、Z. (2018)。 DenseASPP: セマンティックセグメンテーション用の拡張 ASPP。コンピュータビジョンとパターン認識に関する IEEE 会議議事録 (pp. 4064-4074)。

[10] Chen、P.、Papandreou、G.、Kokkinos、I.、およびマーフィー、K. (2018)。セマンティック画像セグメンテーションのための Atrous 分離可能畳み込みを備えたエンコーダ/デコーダ。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (pp. 3570-3579)。

[11] Chen、P.、Papandreou、G.、Kokkinos、I.、およびマーフィー、K. (2018)。 Deeplab: 深い畳み込みネットを使用したセマンティック画像セグメンテーション。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (pp. 2370-2379)。

[12] ロンネバーガー、O.、フィッシャー、P.、およびブロックス、T. (2015)。 U-net: 生物医学画像セグメンテーション用の畳み込みネットワーク。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (676 ～ 686 ページ)。

[13] Long, J.、Shelhamer, E.、およびダレル、T. (2015)。セマンティックセグメンテーションのための完全畳み込みネットワーク。コンピュータビジョンとパターン認識に関する IEEE 会議議事録 (pp. 343-352)。

[14] バドリナラヤナン、V.、ケンダル、A.、オークアブ、M.、ファルハディ、A.、およびパルリ、M. (2017)。 Segnet: 画像セグメンテーションのための深い畳み込みエンコーダ/デコーダアーキテクチャ。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (pp. 2937-2946)。

[15] Isola、P.、Zhu、J.、Zhou、J.、およびA.A.エフロス (2017)。条件付き敵対的ネットを使用したイメージからイメージへの変換。コンピュータビジョンとパターン認識に関する IEEE 会議議事録 (pp. 5481-5491)。

[16] Zhang、X.、Liu、S.、Wang、H.、およびワン、Z. (2018)。ピラミッドシーン解析ネットワーク。コンピュータビジョンとパターン認識に関する IEEE 会議議事録 (pp. 3558-3567)。

[17] チェン、P.、マーシー、S.、およびスクタンカール、R. (2018)。セマンティック画像セグメンテーションのための Atrous 分離可能畳み込みを備えたエンコーダ/デコーダ。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (pp. 3570-3579)。

[18] Yu、D.、Wang、L.、およびグプタ、R. (2018)。弱く教師されたデータからセマンティックラベルを推測する方法を学習します。コンピュータビジョンとパターン認識に関する IEEE 会議議事録 (294 ～ 303 ページ)。

[19] Li、J.、Wang、Y.、およびHuang、Z. (2018)。 DenseASPP: セマンティックセグメンテーション用の拡張 ASPP。コンピュータビジョンとパターン認識に関する IEEE 会議議事録 (pp. 4064-4074)。

[20] チェン、P.、パパンドレウ、G.、コッキノス、I.、およびマーフィー、K. (2018)。 Deeplab: 深い畳み込みネットを使用したセマンティック画像セグメンテーション。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (pp. 2370-2379)。

[21] ロンネバーガー、O.、フィッシャー、P.、およびブロックス、T. (2015)。 U-net: 生物医学画像セグメンテーション用の畳み込みネットワーク。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (676 ～ 686 ページ)。

[22] Long, J.、Shelhamer, E.、およびダレル、T. (2015)。セマンティックセグメンテーションのための完全畳み込みネットワーク。コンピュータビジョンとパターン認識に関する IEEE 会議議事録 (pp. 343-352)。

[23] バドリナラヤナン、V.、ケンダル、A.、オークアブ、M.、ファルハディ、A.、およびパルリ、M. (2017)。 Segnet: 画像セグメンテーションのための深い畳み込みエンコーダ/デコーダアーキテクチャ。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (pp. 2937-2946)。

[24] Isola、P.、Zhu、J.、Zhou、J.、およびA.A.エフロス (2017)。条件付き敵対的ネットを使用したイメージからイメージへの変換。コンピュータビジョンとパターン認識に関する IEEE 会議議事録 (pp. 5481-5491)。

[25] Zhang、X.、Liu、S.、Wang、H.、およびワン、Z. (2018)。ピラミッドシーン解析ネットワーク。コンピュータビジョンとパターン認識に関する IEEE 会議議事録 (pp. 3558-3567)。

[26] チェン、P.、マーシー、S.、およびスクタンカール、R. (2018)。セマンティック画像セグメンテーションのための Atrous 分離可能畳み込みを備えたエンコーダ/デコーダ。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (pp. 3570-3579)。

[27] Yu、D.、Wang、L.、およびグプタ、R. (2018)。弱く教師されたデータからセマンティックラベルを推測する方法を学習します。コンピュータビジョンとパターン認識に関する IEEE 会議議事録 (294 ～ 303 ページ)。

[28] Li、J.、Wang、Y.、およびHuang、Z. (2018)。 DenseASPP: セマンティックセグメンテーション用の拡張 ASPP。コンピュータビジョンとパターン認識に関する IEEE 会議議事録 (pp. 4064-4074)。

[29] チェン、P.、パパンドレウ、G.、コッキノス、I.、&;マーフィー、K. (2018)。 Deeplab: 深い畳み込みネットを使用したセマンティック画像セグメンテーション。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (pp. 2370-2379)。

[30] ロンネバーガー、O.、フィッシャー、P.、およびブロックス、T. (2015)。 U-net: 生物医学画像セグメンテーション用の畳み込みネットワーク。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (676 ～ 686 ページ)。

[31] Long, J.、Shelhamer, E.、およびダレル、T. (2015)。セマンティックセグメンテーションのための完全畳み込みネットワーク。コンピュータビジョンとパターン認識に関する IEEE 会議議事録 (pp. 343-352)。

[32] バドリナラヤナン、V.、ケンダル、A.、オークアブ、M.、ファルハディ、A.、およびパルリ、M. (2017)。 Segnet: 画像セグメンテーションのための深い畳み込みエンコーダ/デコーダアーキテクチャ。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (pp. 2937-2946)。

[33] Isola、P.、Zhu、J.、Zhou、J.、およびA.A.エフロス (2017)。条件付き敵対的ネットを使用したイメージからイメージへの変換。コンピュータビジョンとパターン認識に関する IEEE 会議議事録 (pp. 5481-5491)。

[34] Zhang、X.、Liu、S.、Wang、H.、およびワン、Z. (2018)。ピラミッドシーン解析ネットワーク。コンピュータビジョンとパターン認識に関する IEEE 会議議事録 (pp. 3558-3567)。

[35] チェン、P.、マーシー、S.、およびスクタンカール、R. (2018)。セマンティック画像セグメンテーションのための Atrous 分離可能畳み込みを備えたエンコーダ/デコーダ。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (pp. 3570-3579)。

[36] Yu、D.、Wang、L.、およびグプタ、R. (2018)。弱く教師されたデータからセマンティックラベルを推測する方法を学習します。コンピュータビジョンとパターン認識に関する IEEE 会議議事録 (294 ～ 303 ページ)。

[37] Li、J.、Wang、Y.、およびHuang、Z. (2018)。 DenseASPP: セマンティックセグメンテーション用の拡張 ASPP。コンピュータビジョンとパターン認識に関する IEEE 会議議事録 (pp. 4064-4074)。

[38] チェン、P.、パパンドレウ、G.、コッキノス、I.、&;マーフィー、K. (2018)。 Deeplab: 深い畳み込みネットを使用したセマンティック画像セグメンテーション。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (pp. 2370-2379)。

[39] ロンネバーガー、O.、フィッシャー、P.、およびブロックス、T. (2015)。 U-net: 生物医学画像セグメンテーション用の畳み込みネットワーク。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (676 ～ 686 ページ)。

[40] Long, J.、Shelhamer, E.、およびダレル、T. (2015)。セマンティックセグメンテーションのための完全畳み込みネットワーク。コンピュータビジョンとパターン認識に関する IEEE 会議議事録 (pp. 343-352)。

[41] バドリナラヤナン、V.、ケンダル、A.、オークアブ、M.、ファルハディ、A.、およびパルリ、M. (2017)。 Segnet: 画像セグメンテーションのための深い畳み込みエンコーダ/デコーダアーキテクチャ。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (pp. 2937-2946)。