Fugu-MT 論文翻訳(概要): CAFENet: Class-Agnostic Few-Shot Edge Detection Network

論文の概要: CAFENet: Class-Agnostic Few-Shot Edge Detection Network

arxiv url: http://arxiv.org/abs/2003.08235v1
Date: Wed, 18 Mar 2020 14:18:59 GMT
ステータス: 処理完了
システム内更新日: 2022-12-22 10:00:07.030101
Title: CAFENet: Class-Agnostic Few-Shot Edge Detection Network
Title（参考訳）: cafenet:クラス非依存のマイナショットエッジ検出ネットワーク
Authors: Young-Hyun Park, Jun Seo, Jaekyun Moon
Abstract要約: 我々は、数発のセマンティックエッジ検出と呼ばれる、新しい数発の学習課題に取り組む。また,メタ学習戦略に基づくクラス非依存Few-shot Edge Detection Network (CAFENet)を提案する。
参考スコア（独自算出の注目度）: 19.01453512012934
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We tackle a novel few-shot learning challenge, which we call few-shot semantic edge detection, aiming to localize crisp boundaries of novel categories using only a few labeled samples. We also present a Class-Agnostic Few-shot Edge detection Network (CAFENet) based on meta-learning strategy. CAFENet employs a semantic segmentation module in small-scale to compensate for lack of semantic information in edge labels. The predicted segmentation mask is used to generate an attention map to highlight the target object region, and make the decoder module concentrate on that region. We also propose a new regularization method based on multi-split matching. In meta-training, the metric-learning problem with high-dimensional vectors are divided into small subproblems with low-dimensional sub-vectors. Since there is no existing dataset for few-shot semantic edge detection, we construct two new datasets, FSE-1000 and SBD-$5^i$, and evaluate the performance of the proposed CAFENet on them. Extensive simulation results confirm the performance merits of the techniques adopted in CAFENet.
Abstract（参考訳）: 少数のラベル付きサンプルのみを用いて、新しいカテゴリのクリップ境界をローカライズすることを目的とした、数発のセマンティックエッジ検出と呼ばれる、新しい数発の学習課題に取り組む。また,メタ学習戦略に基づくクラス非依存Few-shot Edge Detection Network (CAFENet)を提案する。 CAFENetは、エッジラベルのセマンティック情報の欠如を補うために、セマンティックセグメンテーションモジュールを小規模に採用している。予測されたセグメンテーションマスクは、対象対象領域をハイライトするアテンションマップを生成し、デコーダモジュールをその領域に集中させる。また,マルチスプリットマッチングに基づく新たな正規化手法を提案する。メタトレーニングでは、高次元ベクトルを持つ計量学習問題は、低次元部分ベクトルを持つ小さな部分問題に分割される。そこで我々はFSE-1000とSBD-$5^i$という2つの新しいデータセットを構築し,提案したCAFENetの性能評価を行った。大規模なシミュレーション結果からCAFENetで採用した手法の性能評価が得られた。

関連論文リスト

Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文参考訳（メタデータ） (2023-08-18T13:13:09Z)
RecurSeed and EdgePredictMix: Pseudo-Label Refinement Learning for Weakly Supervised Semantic Segmentation across Single- and Multi-Stage Frameworks [3.3240906432768482]
イメージレベルラベル(WSSS-IL)のみを用いた弱い教師付きセマンティックセマンティックセマンティックセマンティクスは、潜在的に有用である。しかし、パフォーマンスと実装の複雑さは依然としてアプリケーションを制限する。本稿では,非検出と偽検出を交互に削減するRecurSeedを提案する。また、オブジェクトのエッジをさらに表現するEdgePredictMixと呼ばれる新しいデータ拡張(DA)アプローチを提案する。
論文参考訳（メタデータ） (2022-04-14T04:46:43Z)
Learning What Not to Segment: A New Perspective on Few-Shot Segmentation [63.910211095033596]
近年では、FSS ( few-shot segmentation) が広く開発されている。本稿では,問題を緩和するための新鮮で直接的な知見を提案する。提案されたアプローチのユニークな性質を踏まえて、より現実的で挑戦的な設定にまで拡張する。
論文参考訳（メタデータ） (2022-03-15T03:08:27Z)
Experience feedback using Representation Learning for Few-Shot Object Detection on Aerial Images [2.8560476609689185]
大規模なリモートセンシング画像データセットであるDOTAを用いて,本手法の性能評価を行った。特に、数発のオブジェクト検出タスクの固有の弱点を強調します。
論文参考訳（メタデータ） (2021-09-27T13:04:53Z)
Meta-DETR: Few-Shot Object Detection via Unified Image-Level Meta-Learning [39.50529982746885]
少数の注釈付き例だけで、新規な物体の検出を狙っている。本稿では,新しいメタ検出器フレームワークであるMeta-DETRを提案する。代わりに、オブジェクトローカリゼーションと画像レベルでの分類を統一的で補完的な方法でメタ学習します。
論文参考訳（メタデータ） (2021-03-22T11:14:00Z)
Modulating Localization and Classification for Harmonized Object Detection [40.82723262074911]
2つのタスクを変調する相互学習フレームワークを提案する。特に,2つのタスクは,新たな相互ラベル付け戦略によって互いに学習することを余儀なくされる。 COCOデータセットのベースライン検出器に対する大幅なパフォーマンス向上を実現しました。
論文参考訳（メタデータ） (2021-03-16T10:36:02Z)
Few-shot 3D Point Cloud Semantic Segmentation [138.80825169240302]
本稿では,新しい注意型マルチプロトタイプトランスダクティブ・ショットポイント・クラウドセマンティックセマンティック・セマンティクス法を提案する。提案手法は,雲のセマンティックセマンティックセグメンテーション設定の違いによるベースラインに比べて,顕著で一貫した改善を示す。
論文参考訳（メタデータ） (2020-06-22T08:05:25Z)
Scope Head for Accurate Localization in Object Detection [135.9979405835606]
本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
論文参考訳（メタデータ） (2020-05-11T04:00:09Z)
One-Shot Object Detection without Fine-Tuning [62.39210447209698]
本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
論文参考訳（メタデータ） (2020-05-08T01:59:23Z)
Exploring Bottom-up and Top-down Cues with Attentive Learning for Webly Supervised Object Detection [76.9756607002489]
本稿では,新しいクラスを対象としたWebSOD法を提案する。提案手法はボトムアップとトップダウンを組み合わせた新しいクラス検出手法である。提案手法は,3種類の新規/ベース分割を持つPASCAL VOCデータセット上で実証した。
論文参考訳（メタデータ） (2020-03-22T03:11:24Z)
Towards Bounding-Box Free Panoptic Segmentation [16.4548904544277]
パン光学セグメンテーションのための新しいBunding-Box Free Network (BBFNet) を提案する。 BBFNetは、粗い流域レベルを予測し、境界が適切に定義された大きなインスタンス候補を検出するためにそれらを使用する。境界が信頼性の低い小さなインスタンスでは、BBFNetはHoughの投票によってインスタンス中心を予測し、続いて平均シフトによって小さなオブジェクトを確実に検出する。
論文参考訳（メタデータ） (2020-02-18T16:34:01Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。