Fugu-MT 論文翻訳(概要): Instance Separation Emerges from Inpainting

論文の概要: Instance Separation Emerges from Inpainting

arxiv url: http://arxiv.org/abs/2003.00891v1
Date: Fri, 28 Feb 2020 18:05:39 GMT
ステータス: 処理完了
システム内更新日: 2022-12-28 01:18:42.071115
Title: Instance Separation Emerges from Inpainting
Title（参考訳）: インペインティングによるインスタンス分離
Authors: Steffen Wolf, Fred A. Hamprecht, Jan Funke
Abstract要約: 部分閉塞画像に塗布するよう訓練されたディープニューラルネットワークは、画像構成の深い理解を示している。完全自己教師付き塗装網と分離対象物とが与えられた2つの画像領域の独立性を評価する尺度を提案する。本手法を2つの顕微鏡画像データセット上で評価し,完全教師付き手法に類似したセグメンテーション性能を示す。
参考スコア（独自算出の注目度）: 14.636894972415949
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep neural networks trained to inpaint partially occluded images show a deep understanding of image composition and have even been shown to remove objects from images convincingly. In this work, we investigate how this implicit knowledge of image composition can be leveraged for fully self-supervised instance separation. We propose a measure for the independence of two image regions given a fully self-supervised inpainting network and separate objects by maximizing this independence. We evaluate our method on two microscopy image datasets and show that it reaches similar segmentation performance to fully supervised methods.
Abstract（参考訳）: 部分閉塞画像のインペイントに訓練されたディープニューラルネットワークは、画像組成の深い理解を示し、画像からオブジェクトを説得力のある形で除去することさえ示されている。本研究では,この暗黙的なイメージ構成の知識を,完全自己教師型インスタンス分離に活用する方法を検討する。本稿では,この独立性を最大化することにより,完全自己監督型塗装ネットワークとオブジェクトを分離した2つの画像領域の独立性を示す尺度を提案する。本手法を2つの顕微鏡画像データセット上で評価し,完全教師付き手法に類似したセグメンテーション性能を示す。

関連論文リスト

Image Segmentation-based Unsupervised Multiple Objects Discovery [1.7674345486888503]
教師なしオブジェクト発見は、イメージ内のオブジェクトをローカライズすることを目的としている。我々は,複数のオブジェクトの発見に対して,完全に教師なしのボトムアップアプローチを提案する。我々は、教師なしクラス非依存オブジェクト検出と教師なしイメージセグメンテーションの両方に対して、最先端の結果を提供する。
論文参考訳（メタデータ） (2022-12-20T09:48:24Z)
Deep Spectral Methods: A Surprisingly Strong Baseline for Unsupervised Semantic Segmentation and Localization [98.46318529630109]
画像分解をグラフ分割問題として再フレーミングすることで,従来のスペクトル分割法から着想を得た。これらの固有ベクトルはすでにイメージを意味のあるセグメントに分解しており、シーン内のオブジェクトのローカライズに容易に利用できる。データセットにまたがるこれらのセグメントに関連する機能をクラスタ化することで、明確に定義された、名前付き可能なリージョンを得ることができる。
論文参考訳（メタデータ） (2022-05-16T17:47:44Z)
LEAD: Self-Supervised Landmark Estimation by Aligning Distributions of Feature Similarity [49.84167231111667]
自己監督型ランドマーク検出における既存の研究は、画像から高密度(ピクセルレベルの)特徴表現を学習することに基づいている。自己教師付き方式で高密度同変表現の学習を強化するアプローチを提案する。機能抽出器にそのような先行性があることは,アノテーションの数が大幅に制限されている場合でも,ランドマーク検出に役立ちます。
論文参考訳（メタデータ） (2022-04-06T17:48:18Z)
Self-supervised Segmentation via Background Inpainting [96.10971980098196]
移動可能なカメラで撮影された単一の画像で、自己教師付き検出とセグメンテーションのアプローチを導入する。我々は、提案に基づくセグメンテーションネットワークのトレーニングに利用する自己教師付き損失関数を利用する。本手法は,標準ベンチマークから視覚的に切り離された画像の人間の検出とセグメント化に応用し,既存の自己監督手法より優れていることを示す。
論文参考訳（メタデータ） (2020-11-11T08:34:40Z)
A Self-supervised GAN for Unsupervised Few-shot Object Recognition [39.79912546252623]
本稿では、教師なし数発の物体認識について述べる。すべてのトレーニングイメージはラベル付けされておらず、テストイメージはクエリと、対象のクラス毎にラベル付きサポートイメージに分割されている。我々は,バニラGANを2つの損失関数で拡張し,それぞれが自己教師型学習を目的とした。
論文参考訳（メタデータ） (2020-08-16T19:47:26Z)
Instance-aware Image Colorization [51.12040118366072]
本稿では,インスタンス認識のカラー化を実現する手法を提案する。我々のネットワークアーキテクチャは、市販のオブジェクト検出器を利用して、収穫されたオブジェクト画像を取得する。類似したネットワークを用いて、フルイメージの特徴を抽出し、融合モジュールを適用して最終色を予測する。
論文参考訳（メタデータ） (2020-05-21T17:59:23Z)
Disassembling Object Representations without Labels [75.2215716328001]
本研究では,オブジェクト表現を分解する新しい表現学習タスクについて検討する。分解は、学習した表現におけるカテゴリ固有のモジュラリティを可能にする。我々は、非教師なし分解オブジェクト表現(UDOR)という、非教師なしの非教師なしアプローチを提案する。
論文参考訳（メタデータ） (2020-04-03T08:23:09Z)
Object-Centric Image Generation with Factored Depths, Locations, and Appearances [30.541425619507184]
本稿では,画像の生成モデルについて,それらが示すオブジェクトの集合に対して明確な理由付けを行う。私たちのモデルは、オブジェクトを互いに、そして背景から分離する構造化潜在表現を学びます。オブジェクトマスクや深度情報を必要とせずに、純粋に教師なしの方法で画像からトレーニングすることができる。
論文参考訳（メタデータ） (2020-04-01T18:00:11Z)
Image Embedded Segmentation: Uniting Supervised and Unsupervised Objectives for Segmenting Histopathological Images [0.0]
本稿では,意味組織分割のための完全畳み込みネットワークを学習するための新しい正規化手法を提案する。これは教師なし学習(イメージ再構成)の利点をネットワークトレーニングに頼っている。我々の実験は、これらのデータセットのセグメンテーション結果が、データセットのセグメンテーション結果よりも優れていることを示した。
論文参考訳（メタデータ） (2020-01-30T08:09:38Z)
OneGAN: Simultaneous Unsupervised Learning of Conditional Image Generation, Foreground Segmentation, and Fine-Grained Clustering [100.32273175423146]
本研究では、教師なしの方法で、条件付き画像生成装置、前景抽出とセグメンテーション、オブジェクトの削除と背景補完を同時に学習する方法を提案する。 Geneversarative Adrial Network と Variational Auto-Encoder を組み合わせることで、複数のエンコーダ、ジェネレータ、ディスクリミネータを組み合わせ、全てのタスクを一度に解くことができる。
論文参考訳（メタデータ） (2019-12-31T18:15:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。