Fugu-MT 論文翻訳(概要): Lookahead Adversarial Learning for Near Real-Time Semantic Segmentation

論文の概要: Lookahead Adversarial Learning for Near Real-Time Semantic Segmentation

arxiv url: http://arxiv.org/abs/2006.11227v3
Date: Thu, 21 Jan 2021 15:00:09 GMT
ステータス: 処理完了
システム内更新日: 2022-11-19 04:15:37.780299
Title: Lookahead Adversarial Learning for Near Real-Time Semantic Segmentation
Title（参考訳）: ニアリアルタイムセマンティックセマンティックセグメンテーションのためのLookahead Adversarial Learning
Authors: Hadi Jamali-Rad, Attila Szabo
Abstract要約: 我々は,最先端セグメンテーションモデル(DeepLabv3+)をコアとした条件付き対向ネットワークを構築した。我々は、ほぼリアルタイムなフィールドアプリケーションのための推論で高速に実行されるセグメンテーションモデルに焦点を当てる。
参考スコア（独自算出の注目度）: 2.538209532048867
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Semantic segmentation is one of the most fundamental problems in computer vision with significant impact on a wide variety of applications. Adversarial learning is shown to be an effective approach for improving semantic segmentation quality by enforcing higher-level pixel correlations and structural information. However, state-of-the-art semantic segmentation models cannot be easily plugged into an adversarial setting because they are not designed to accommodate convergence and stability issues in adversarial networks. We bridge this gap by building a conditional adversarial network with a state-of-the-art segmentation model (DeepLabv3+) at its core. To battle the stability issues, we introduce a novel lookahead adversarial learning (LoAd) approach with an embedded label map aggregation module. We focus on semantic segmentation models that run fast at inference for near real-time field applications. Through extensive experimentation, we demonstrate that the proposed solution can alleviate divergence issues in an adversarial semantic segmentation setting and results in considerable performance improvements (+5% in some classes) on the baseline for three standard datasets.
Abstract（参考訳）: 意味セグメンテーション(semantic segmentation)は、コンピュータビジョンにおける最も根本的な問題の1つであり、幅広いアプリケーションに大きな影響を与える。対立学習は,高レベルの画素相関と構造情報を強制することにより,セマンティックセグメンテーションの品質向上に有効な手法であることが示されている。しかし、現状のセマンティックセグメンテーションモデルは、敵ネットワークの収束や安定性の問題に対処するために設計されていないため、敵設定に簡単に接続することはできない。現状のセグメンテーションモデル(DeepLabv3+)をコアとした条件付き対向ネットワークを構築することで,このギャップを埋める。安定性問題に対処するために,組込みラベルマップアグリゲーションモジュールを用いて,新たなルックアヘッド逆学習(load)アプローチを導入する。リアルタイムに近いフィールドアプリケーションの推論を高速に実行するセマンティックセグメンテーションモデルに注目した。広範な実験を通じて,提案手法は,逆意味セグメンテーション設定における発散問題を軽減し,3つの標準データセットのベースライン上で相当な性能向上(一部のクラスでは+5%)を実現した。

関連論文リスト

Joint semi-supervised and contrastive learning enables zero-shot domain-adaptation and multi-domain segmentation [1.5393913074555419]
SegCLRは、さまざまなドメインにまたがってボリューム画像を分割するために設計された汎用的なフレームワークである。総合評価により,SegCLRの優れた性能を示す。
論文参考訳（メタデータ） (2024-05-08T18:10:59Z)
Separating common from salient patterns with Contrastive Representation Learning [2.250968907999846]
コントラスト分析は、2つのデータセット間の変動の共通要因を分離することを目的としている。変分オートエンコーダに基づく現在のモデルは意味表現の学習において性能が劣っている。コントラスト分析に適合した意味表現表現を学習するためのコントラスト学習の活用を提案する。
論文参考訳（メタデータ） (2024-02-19T08:17:13Z)
Learning to Generate Training Datasets for Robust Semantic Segmentation [37.9308918593436]
セマンティックセグメンテーション手法の堅牢性を改善するための新しい手法を提案する。我々は,現実的で可視な摂動画像を生成するために,新しい条件付き生成対向ネットワークであるRobustaを設計した。我々の結果は、このアプローチが安全クリティカルなアプリケーションに有用である可能性を示唆している。
論文参考訳（メタデータ） (2023-08-01T10:02:26Z)
Learning Context-aware Classifier for Semantic Segmentation [88.88198210948426]
本稿では,文脈認識型分類器の学習を通じて文脈ヒントを利用する。本手法はモデルに依存しないため,ジェネリックセグメンテーションモデルにも容易に適用できる。無視できる追加パラメータと+2%の推論時間だけで、小型モデルと大型モデルの両方で十分な性能向上が達成されている。
論文参考訳（メタデータ） (2023-03-21T07:00:35Z)
A Threefold Review on Deep Semantic Segmentation: Efficiency-oriented, Temporal and Depth-aware design [77.34726150561087]
我々は、自動運転車のビジョンの文脈において、Deep Semanticの最も関連性があり最近の進歩について調査を行う。私たちの主な目的は、それぞれの視点で直面している主要な方法、利点、制限、結果、課題に関する包括的な議論を提供することです。
論文参考訳（メタデータ） (2023-03-08T01:29:55Z)
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)
Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文参考訳（メタデータ） (2021-12-12T06:11:16Z)
Learning Robust Representation for Clustering through Locality Preserving Variational Discriminative Network [16.259673823482665]
Variational Deep Embeddingは、さまざまなクラスタリングタスクで大きな成功を収めます。 VaDEは,1)入力ノイズに弱い,2)隣接するデータポイント間の局所性情報を無視する,という2つの問題に悩まされている。強固な埋め込み判別器と局所構造制約によりvadeを改善する共同学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-12-25T02:31:55Z)
Pixel-Level Cycle Association: A New Perspective for Domain Adaptive Semantic Segmentation [169.82760468633236]
本稿では,ソースとターゲットの画素ペア間の画素レベルサイクルの関連性を構築することを提案する。我々の手法は1段階のエンドツーエンドで訓練でき、追加のパラメータは導入しない。
論文参考訳（メタデータ） (2020-10-31T00:11:36Z)
Towards Adaptive Semantic Segmentation by Progressive Feature Refinement [16.40758125170239]
セグメンテーションネットワークの転送可能性を高めるために,ドメイン逆学習とともに,革新的なプログレッシブな特徴改善フレームワークを提案する。その結果、ソース・ドメイン・イメージで訓練されたセグメンテーション・モデルは、大幅な性能劣化を伴わずにターゲット・ドメインに転送できる。
論文参考訳（メタデータ） (2020-09-30T04:17:48Z)
Affinity Space Adaptation for Semantic Segmentation Across Domains [57.31113934195595]
本稿では,意味的セグメンテーションにおける教師なしドメイン適応(UDA)の問題に対処する。ソースドメインとターゲットドメインが不変なセマンティック構造を持つという事実に触発され、ドメイン間におけるそのような不変性を活用することを提案する。親和性空間適応戦略として,親和性空間の洗浄と親和性空間アライメントという2つの方法を開発した。
論文参考訳（メタデータ） (2020-09-26T10:28:11Z)

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。