論文の概要: Multi-Miner: Object-Adaptive Region Mining for Weakly-Supervised Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2006.07834v1
• Date: Sun, 14 Jun 2020 08:00:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 13:14:31.888219
• Title: Multi-Miner: Object-Adaptive Region Mining for Weakly-Supervised Semantic Segmentation
• Title（参考訳）: マルチマイナ:弱い教師付き意味セグメンテーションのためのオブジェクト適応領域マイニング
• Authors: Kuangqi Zhou, Qibin Hou, Zun Li, Jiashi Feng
• Abstract要約: オブジェクト領域のマイニングは、弱い教師付きセマンティックセグメンテーションにとって重要なステップである。 本稿では,多様なオブジェクトサイズに対応する領域マイニングプロセスを実現するための,新しいマルチマイニングフレームワークを提案する。 実験により, マルチマイニングにより, 地域マイニングの精度が向上し, セグメンテーション性能が向上することが示された。
• 参考スコア（独自算出の注目度）: 96.85164033097524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object region mining is a critical step for weakly-supervised semantic segmentation. Most recent methods mine the object regions by expanding the seed regions localized by class activation maps. They generally do not consider the sizes of objects and apply a monotonous procedure to mining all the object regions. Thus their mined regions are often insufficient in number and scale for large objects, and on the other hand easily contaminated by surrounding backgrounds for small objects. In this paper, we propose a novel multi-miner framework to perform a region mining process that adapts to diverse object sizes and is thus able to mine more integral and finer object regions. Specifically, our multi-miner leverages a parallel modulator to check whether there are remaining object regions for each single object, and guide a category-aware generator to mine the regions of each object independently. In this way, the multi-miner adaptively takes more steps for large objects and fewer steps for small objects. Experiment results demonstrate that the multi-miner offers better region mining results and helps achieve better segmentation performance than state-of-the-art weakly-supervised semantic segmentation methods.
• Abstract（参考訳）: オブジェクト領域のマイニングは、弱い教師付きセマンティックセグメンテーションにとって重要なステップである。 最近のメソッドでは、クラスアクティベーションマップでローカライズされたシード領域を拡張してオブジェクト領域をマイニングする。 彼らは一般にオブジェクトのサイズを考慮せず、すべてのオブジェクト領域をマイニングするために単調な手順を適用する。 したがって、その採掘された地域は大きな物体の個数や規模が不足することが多く、一方、小さな物体の周囲の背景によって容易に汚染される。 本稿では,多様なオブジェクトサイズに適応し,より積分的かつ微細なオブジェクト領域をマイニングできる領域マイニングプロセスを実現するための,新しいマルチマイニングフレームワークを提案する。 具体的には、並列変調器を利用して、各オブジェクトにオブジェクト領域が残っているかどうかを確認し、カテゴリ認識ジェネレータを誘導し、各オブジェクトの領域を独立してマイニングする。 このように、マルチマイナーは、大きなオブジェクトに対してより多くのステップを、小さなオブジェクトに対しては少ないステップを適応的に取ります。 実験により, マルチマイナは地域マイニングの精度が向上し, 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法よりもセマンティクス性能が向上することが示された。

関連論文リスト

• Towards Open-World Segmentation of Parts [16.056921233445784]
  本稿では,クラスに依存しない部分分割タスクを提案する。 パートクラスなしでトレーニングされたモデルは、トレーニング時に見えない部分のローカライズとオブジェクトへのセグメンテーションを改善することができる、と私たちは主張する。 当社のアプローチでは,オープンワールドのパートセグメンテーションに向けた重要なステップとして,注目すべきかつ一貫した成果をあげています。
  論文  参考訳（メタデータ） (2023-05-26T10:34:58Z)
• Region-Aware Metric Learning for Open World Semantic Segmentation via Meta-Channel Aggregation [19.584457251137252]
  領域認識メトリックラーニング(RAML)という手法を提案する。 RAMLは画像の領域を分離し、さらなるメトリック学習のための領域認識機能を生成する。 提案したRAMLは,オープンワールドセグメンテーションの両段階においてSOTA性能を実現する。
  論文  参考訳（メタデータ） (2022-05-17T04:12:47Z)
• AF$_2$: Adaptive Focus Framework for Aerial Imagery Segmentation [86.44683367028914]
  航空画像のセグメンテーションにはいくつかの独特な課題があり、中でも最も重要なものは前景と背景のアンバランスにある。 本稿では,階層的なセグメンテーション手法を採用し,マルチスケール表現を適応的に活用するAdaptive Focus Framework (AF$)を提案する。 AF$は、広く使われている3つの航空ベンチマークの精度を大幅に改善した。
  論文  参考訳（メタデータ） (2022-02-18T10:14:45Z)
• Cross-Image Region Mining with Region Prototypical Network for Weakly Supervised Segmentation [45.39679291105364]
  トレーニングセットのクロスイメージオブジェクトの多様性を探索する領域ネットワークRPNetを提案する。 画像にまたがる類似の物体は、地域特徴比較によって識別される。 実験の結果,提案手法はより完全で正確な擬似物体マスクを生成することがわかった。
  論文  参考訳（メタデータ） (2021-08-17T02:51:02Z)
• Object-Guided Instance Segmentation With Auxiliary Feature Refinement for Biological Images [58.914034295184685]
  サンプルセグメンテーションは、神経細胞相互作用の研究、植物の表現型化、細胞が薬物治療にどう反応するかを定量的に測定するなど、多くの生物学的応用において非常に重要である。 Boxベースのインスタンスセグメンテーションメソッドは、バウンディングボックスを介してオブジェクトをキャプチャし、各バウンディングボックス領域内で個々のセグメンテーションを実行する。 提案手法は,まずオブジェクトの中心点を検出し,そこから境界ボックスパラメータが予測される。 セグメンテーションブランチは、オブジェクト特徴をガイダンスとして再利用し、同じバウンディングボックス領域内の隣のオブジェクトからターゲットオブジェクトを分離する。
  論文  参考訳（メタデータ） (2021-06-14T04:35:36Z)
• Non-Salient Region Object Mining for Weakly Supervised Semantic Segmentation [64.2719590819468]
  弱教師付きセマンティックセグメンテーションのための非塩分領域オブジェクトマイニング手法を提案する。 擬似ラベルの偽陰性率を低減するために、潜在的なオブジェクトマイニングモジュールを提案する。 非サリエント領域マスキングモジュールは、非サリエント領域内のオブジェクトをさらに発見するのに役立ちます。
  論文  参考訳（メタデータ） (2021-03-26T16:44:03Z)
• Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
  教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。 教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。 我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
  論文  参考訳（メタデータ） (2020-03-29T09:03:23Z)
• Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
  本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。 粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。 粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
  論文  参考訳（メタデータ） (2020-03-23T13:40:06Z)

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。