論文の概要: Fully Convolutional Open Set Segmentation
- arxiv url: http://arxiv.org/abs/2006.14673v1
- Date: Thu, 25 Jun 2020 19:40:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 03:58:47.211535
- Title: Fully Convolutional Open Set Segmentation
- Title（参考訳）: 完全畳み込み開集合セグメンテーション
- Authors: Hugo Oliveira, Caio Silva, Gabriel L. S. Machado, Keiller Nogueira,
Jefersson A. dos Santos
- Abstract要約: オープンセットセマンティックセグメンテーションを効果的に扱うための2つの完全な畳み込みアプローチを提案する。
OpenFCNはよく知られたOpenMaxアルゴリズムに基づいており、セグメンテーション設定でこのアプローチの新しいアプリケーションを設定する。
OpenPCSは、DNNアクティベーションの機能空間に基づいた完全に新しいアプローチであり、PCAを計算するための機能として機能する。
- 参考スコア（独自算出の注目度）: 3.1446335485087764
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In semantic segmentation knowing about all existing classes is essential to
yield effective results with the majority of existing approaches. However,
these methods trained in a Closed Set of classes fail when new classes are
found in the test phase. It means that they are not suitable for Open Set
scenarios, which are very common in real-world computer vision and remote
sensing applications. In this paper, we discuss the limitations of Closed Set
segmentation and propose two fully convolutional approaches to effectively
address Open Set semantic segmentation: OpenFCN and OpenPCS. OpenFCN is based
on the well-known OpenMax algorithm, configuring a new application of this
approach in segmentation settings. OpenPCS is a fully novel approach based on
feature-space from DNN activations that serve as features for computing PCA and
multi-variate gaussian likelihood in a lower dimensional space. Experiments
were conducted on the well-known Vaihingen and Potsdam segmentation datasets.
OpenFCN showed little-to-no improvement when compared to the simpler and much
more time efficient SoftMax thresholding, while being between some orders of
magnitude slower. OpenPCS achieved promising results in almost all experiments
by overcoming both OpenFCN and SoftMax thresholding. OpenPCS is also a
reasonable compromise between the runtime performances of the extremely fast
SoftMax thresholding and the extremely slow OpenFCN, being close able to run
close to real-time. Experiments also indicate that OpenPCS is effective, robust
and suitable for Open Set segmentation, being able to improve the recognition
of unknown class pixels without reducing the accuracy on the known class
pixels.
- Abstract（参考訳）: 意味セグメンテーションにおいて、すべての既存のクラスについて知ることは、既存のアプローチの大部分で効果的な結果をもたらすために不可欠である。
しかし、閉じたクラスでトレーニングされたこれらのメソッドは、テストフェーズで新しいクラスが見つかると失敗する。
これは、実際のコンピュータビジョンやリモートセンシングアプリケーションで非常に一般的なOpen Setシナリオには適していないことを意味する。
本稿では,閉集合セグメンテーションの限界について議論し,OpenFCN と OpenPCS という,Open Setセグメンテーションを効果的に扱うための2つの完全な畳み込みアプローチを提案する。
OpenFCNはよく知られたOpenMaxアルゴリズムに基づいており、セグメント設定でこのアプローチの新しいアプリケーションを設定する。
OpenPCSは、DNNアクティベーションから特徴空間をベースとした完全に新しいアプローチであり、低次元空間におけるPCAと多変量ガウス確率の計算機能として機能する。
有名なヴァイヒンゲンとポツダムのセグメンテーションデータセットの実験を行った。
OpenFCNは、よりシンプルではるかに時間効率のよいSoftMaxしきい値よりもわずかに改善した。
OpenPCSはOpenFCNとSoftMaxの閾値を克服することでほぼ全ての実験で有望な結果を得た。
OpenPCSはまた、非常に高速なSoftMaxしきい値設定と非常に遅いOpenFCNのランタイムパフォーマンスの合理的な妥協であり、リアルタイムに近い動作が可能である。
実験によれば、openpcsはオープンセットセグメンテーションに効果的で堅牢であり、既知のクラスピクセルの精度を低下させることなく未知のクラスピクセルの認識を改善することができる。
関連論文リスト
- Sparsity-Constraint Optimization via Splicing Iteration [1.3622424109977902]
我々は sPlicing itEration (SCOPE) を用いたスペーサリティ制約最適化アルゴリズムを開発した。
SCOPEはパラメータをチューニングせずに効率的に収束する。
SCOPEを用いて2次最適化を解き、スパース分類器を学習し、バイナリ変数のスパースマルコフネットワークを復元する。
C++実装に基づいたオープンソースのPythonパッケージskscopeがGitHubで公開されている。
論文 参考訳（メタデータ） (2024-06-17T18:34:51Z) - Large-Scale Evaluation of Open-Set Image Classification Techniques [1.1249583407496218]
Open-Set Classification (OSC)アルゴリズムは、クローズドとオープンセットの両方の認識能力を最大化することを目的としている。
近年の研究では、このようなアルゴリズムが小規模なデータセット上で有効であることが示されているが、実験が限定されているため、実世界の問題における性能評価は困難である。
論文 参考訳（メタデータ） (2024-06-13T13:43:01Z) - OpenDAS: Open-Vocabulary Domain Adaptation for 2D and 3D Segmentation [54.98688607911399]
視覚言語モデル(VLM)にドメイン固有の知識を注入するオープン語彙ドメイン適応の課題を提案する。
既存のVLM適応手法では、ベース(トレーニング)クエリのパフォーマンスが向上するが、新しいクエリ上でのVLMのオープンセット能力を維持できない。
我々のアプローチは、新しいクラスにおける元のVLMを一貫して上回るパラメータ効率の手法である。
論文 参考訳（メタデータ） (2024-05-30T15:16:06Z) - Tensor Slicing and Optimization for Multicore NPUs [2.670309629218727]
本稿では,Slicing Optimization (TSO) と呼ばれるマルチコアNPUに対するコンパイラ最適化パスを提案する。
TSOは、一連のCNNモデルの実行時間を最小化する最高のテンソルスライシングを特定する。
その結果、TSOは一連のCNNモデルの実行時間を最小化する最適なテンソルスライシングを識別できることがわかった。
論文 参考訳（メタデータ） (2023-04-06T12:03:03Z) - MetaMax: Improved Open-Set Deep Neural Networks via Weibull Calibration [5.8022510096020525]
オープンセット認識(Open-set recognition)とは、トレーニング中に見られなかったクラスが推論時に現れる問題を指す。
OpenMaxは、オープンセット認識に対処する最初のディープニューラルネットワークベースのアプローチである。
本稿では,クラスのアクティベーションベクトルを直接モデル化することで,従来の手法を改良した,より効率的な後処理手法であるMetaMaxを提案する。
論文 参考訳（メタデータ） (2022-11-20T05:10:33Z) - OpenAUC: Towards AUC-Oriented Open-Set Recognition [151.5072746015253]
従来の機械学習は、トレーニングとテストセットが同じラベル空間を共有するという密接な前提に従っている。
Open-Set Recognition (OSR) は、クローズセットサンプルとオープンセットサンプルの両方で正確な予測を行うことを目的としている。
これらの問題を解決するために,OpenAUCという新しいメトリクスを提案する。
論文 参考訳（メタデータ） (2022-10-22T08:54:15Z) - Prompt-driven efficient Open-set Semi-supervised Learning [52.30303262499391]
オープンセット半教師付き学習(OSSL)は関心を集めており、未ラベルデータにのみOOD(Out-of-distribution)サンプルが組み込まれているというより実践的なシナリオを調査している。
我々はOpenPromptと呼ばれる,プロンプト駆動の効率的なOSSLフレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-28T16:25:08Z) - Large-scale Optimization of Partial AUC in a Range of False Positive
Rates [51.12047280149546]
ROC曲線 (AUC) の下の領域は、機械学習において最も広く使われている分類モデルのパフォーマンス指標の1つである。
近年の封筒平滑化技術に基づく効率的な近似勾配降下法を開発した。
提案アルゴリズムは,効率のよい解法を欠くランク付けされた範囲損失の和を最小化するためにも利用できる。
論文 参考訳（メタデータ） (2022-03-03T03:46:18Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳（メタデータ） (2022-01-09T09:31:50Z) - Community detection using fast low-cardinality semidefinite programming [94.4878715085334]
局所的な更新を一般化し、ライデン-k-カットから導かれる半定緩和を最大化する、新しい低カルチナリティアルゴリズムを提案する。
提案アルゴリズムはスケーラビリティが高く,最先端のアルゴリズムより優れ,実時間では性能が向上し,追加コストがほとんどない。
論文 参考訳（メタデータ） (2020-12-04T15:46:30Z)
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。