論文の概要: FGN: Fully Guided Network for Few-Shot Instance Segmentation

• arxiv url: http://arxiv.org/abs/2003.13954v1
• Date: Tue, 31 Mar 2020 05:02:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 01:04:59.610238
• Title: FGN: Fully Guided Network for Few-Shot Instance Segmentation
• Title（参考訳）: FGN:Few-Shotインスタンスセグメンテーションのための完全なガイド付きネットワーク
• Authors: Zhibo Fan, Jin-Gang Yu, Zhihao Liang, Jiarong Ou, Changxin Gao, Gui-Song Xia, Yuanqing Li
• Abstract要約: FSIS(Few-shot instance segmentation)は、いくつかのショット学習パラダイムと一般的なインスタンスセグメンテーションを結合する。 本稿では,FGN(Fully Guided Network)のインスタンスセグメンテーションについて述べる。
• 参考スコア（独自算出の注目度）: 46.41746704371182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot instance segmentation (FSIS) conjoins the few-shot learning paradigm with general instance segmentation, which provides a possible way of tackling instance segmentation in the lack of abundant labeled data for training. This paper presents a Fully Guided Network (FGN) for few-shot instance segmentation. FGN perceives FSIS as a guided model where a so-called support set is encoded and utilized to guide the predictions of a base instance segmentation network (i.e., Mask R-CNN), critical to which is the guidance mechanism. In this view, FGN introduces different guidance mechanisms into the various key components in Mask R-CNN, including Attention-Guided RPN, Relation-Guided Detector, and Attention-Guided FCN, in order to make full use of the guidance effect from the support set and adapt better to the inter-class generalization. Experiments on public datasets demonstrate that our proposed FGN can outperform the state-of-the-art methods.
• Abstract（参考訳）: FSIS(Few-shot instance segmentation)は、一般的なインスタンスセグメンテーションと数ショットの学習パラダイムを結合することで、豊富なラベル付きデータの不足にインスタンスセグメンテーションに取り組むことができる。 本稿では,FGN(Fully Guided Network)のインスタンスセグメンテーションについて述べる。 fgnは、fsisをいわゆるサポートセットを符号化し、ベースインスタンスセグメンテーションネットワーク(例えばマスクr-cnn)の予測を導くために利用する誘導モデルとして認識する。 この観点から、FGNは、サポートセットからのガイダンス効果をフル活用し、クラス間一般化に適応するために、注意誘導RPN、関係誘導検出器、注意誘導FCNなど、Mask R-CNNの様々なキーコンポーネントに異なるガイダンスメカニズムを導入している。 公開データセットにおける実験により,提案するfgnが最先端の手法に勝ることを示した。

関連論文リスト

• Towards Cross-domain Few-shot Graph Anomaly Detection [6.732699844225434]
  ソースとターゲットドメイン間のデータ分散の相違により、クロスドメインの少数ショットグラフ異常検出(GAD)は簡単ではない。 我々は,上記の課題に対処するために,CDFS-GADと呼ばれるシンプルで効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-11T08:47:25Z)
• Few-Shot Learning for Annotation-Efficient Nucleus Instance Segmentation [50.407071700154674]
  少数ショット学習(FSL)の観点から、アノテーション効率の良い核インスタンスセグメンテーションを定式化することを提案する。 我々の研究は、計算病理学の隆盛とともに、多くの完全注釈付きデータセットが一般に公開されていることに動機づけられた。 いくつかの公開データセットに対する大規模な実験は、SGFSISが他のアノテーション効率のよい学習ベースラインより優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-26T03:49:18Z)
• Panoptic Out-of-Distribution Segmentation [11.388678390784195]
  連立画素レベルのセマンティック・イン・ディストリビューションとインスタンス予測を用いたアウト・オブ・ディストリビューション分類のためのパノプティカル・アウト・オブ・ディストリビューションを提案する。 データセット、コード、トレーニングされたモデルをhttp://pods.cs.uni-freiburg.deで公開しています。
  論文  参考訳（メタデータ） (2023-10-18T08:38:31Z)
• Weakly Supervised Semantic Segmentation by Knowledge Graph Inference [11.056545020611397]
  本稿では、Wakly Supervised Semantic (WSSS)を強化するグラフ推論に基づくアプローチを提案する。 本研究の目的は,マルチラベル分類とセグメンテーションネットワークの段階を同時に拡張することで,WSSSを全体的改善することである。 PASCAL VOC 2012およびMS-COCOデータセット上でWSSSの最先端性能を達成した。
  論文  参考訳（メタデータ） (2023-09-25T11:50:19Z)
• Beyond the Prototype: Divide-and-conquer Proxies for Few-shot Segmentation [63.910211095033596]
  少ないショットのセグメンテーションは、少数の濃密なラベル付けされたサンプルのみを与えられた、目に見えないクラスオブジェクトをセグメンテーションすることを目的としている。 分割・分散の精神において, 単純かつ多目的な枠組みを提案する。 提案手法は、DCP(disvision-and-conquer proxies)と呼ばれるもので、適切な信頼性のある情報の開発を可能にする。
  論文  参考訳（メタデータ） (2022-04-21T06:21:14Z)
• Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
  本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。 その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-15T09:50:25Z)
• Semantic Attention and Scale Complementary Network for Instance Segmentation in Remote Sensing Images [54.08240004593062]
  本稿では,セマンティックアテンション(SEA)モジュールとスケール補完マスクブランチ(SCMB)で構成される,エンドツーエンドのマルチカテゴリインスタンスセグメンテーションモデルを提案する。 SEAモジュールは、機能マップ上の興味あるインスタンスのアクティベーションを強化するために、追加の監督を備えた、単純な完全な畳み込みセマンティックセマンティックセマンティクスブランチを含んでいる。 SCMBは、元のシングルマスクブランチをトリデントマスクブランチに拡張し、異なるスケールで補完マスクの監視を導入する。
  論文  参考訳（メタデータ） (2021-07-25T08:53:59Z)
• A Transductive Multi-Head Model for Cross-Domain Few-Shot Learning [72.30054522048553]
  本稿では,クロスドメインなFew-Shot学習問題に対処するため,TMHFS(Transductive Multi-Head Few-Shot Learning)を提案する。 提案手法は, 4つの異なる対象領域において, 強いベースライン, 微調整を著しく上回っている。
  論文  参考訳（メタデータ） (2020-06-08T02:39:59Z)

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。