論文の概要: SegFix: Model-Agnostic Boundary Refinement for Segmentation

• arxiv url: http://arxiv.org/abs/2007.04269v4
• Date: Thu, 27 Aug 2020 09:45:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 13:23:27.609894
• Title: SegFix: Model-Agnostic Boundary Refinement for Segmentation
• Title（参考訳）: segfix: セグメンテーションのためのモデル非依存境界修正
• Authors: Yuhui Yuan, Jingyi Xie, Xilin Chen, Jingdong Wang
• Abstract要約: 既存のセグメンテーションモデルによって生成されるセグメンテーション結果の境界品質を改善するためのモデルに依存しない後処理方式を提案する。 内部画素のラベル予測がより信頼性が高いという実証的な観察により、我々は、内部画素の予測によって、もともと信頼できない境界画素の予測を置き換えることを提案する。
• 参考スコア（独自算出の注目度）: 75.58050758615316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a model-agnostic post-processing scheme to improve the boundary quality for the segmentation result that is generated by any existing segmentation model. Motivated by the empirical observation that the label predictions of interior pixels are more reliable, we propose to replace the originally unreliable predictions of boundary pixels by the predictions of interior pixels. Our approach processes only the input image through two steps: (i) localize the boundary pixels and (ii) identify the corresponding interior pixel for each boundary pixel. We build the correspondence by learning a direction away from the boundary pixel to an interior pixel. Our method requires no prior information of the segmentation models and achieves nearly real-time speed. We empirically verify that our SegFix consistently reduces the boundary errors for segmentation results generated from various state-of-the-art models on Cityscapes, ADE20K and GTA5. Code is available at: https://github.com/openseg-group/openseg.pytorch.
• Abstract（参考訳）: 既存のセグメンテーションモデルによって生成されるセグメンテーション結果の境界品質を改善するためのモデルに依存しない後処理方式を提案する。 内部画素のラベル予測がより信頼性が高いという経験的観測に動機づけられ,当初信頼できない境界画素の予測を内部画素の予測に置き換える提案を行う。 我々のアプローチは入力画像のみを2ステップで処理する。 (i)境界画素をローカライズして (ii)各境界画素の対応する内部画素を特定する。 我々は、境界画素から内部画素への方向を学習して対応を構築する。 本手法はセグメンテーションモデルの事前情報を必要とせず,ほぼリアルタイムの速度を実現する。 私たちのSegFixは、Cityscapes, ADE20K, GTA5の様々な最先端モデルから生成されるセグメンテーション結果の境界誤差を一貫して低減します。 コードはhttps://github.com/openseg-group/openseg.pytorchで入手できる。

関連論文リスト

• Adaptive Patching for High-resolution Image Segmentation with Transformers [9.525013089622183]
  注意に基づくモデルは、セグメンテーションを含む画像分析の領域で増加している。 トランスフォーマーエンコーダにイメージを供給する標準的な方法は、イメージをパッチに分割し、トークンの線形シーケンスとしてモデルにパッチを供給することである。 顕微鏡病理画像などの高解像度画像では、セグメンテーションで好まれる小さなパッチサイズを使用する場合、二次計算とメモリコストは注意に基づくモデルの使用を禁止している。 我々はHPCのAdapative Mesh Refinement(AMR)法から着想を得た。
  論文  参考訳（メタデータ） (2024-04-15T12:06:00Z)
• PNM: Pixel Null Model for General Image Segmentation [17.971090313814447]
  ランダムセグメンタによって正しく分類される確率に応じて各ピクセルを重み付けする先行モデルを提案する。 3つのデータセットに対するセグメンテーションのセグメンテーション・タスクの実験により、PNMはセグメンテーションの品質を一貫して改善することを確認した。 本稿では,境界のシャープさを認識できる新しい測度であるtextitPNM IoUを提案する。
  論文  参考訳（メタデータ） (2022-03-13T15:17:41Z)
• PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia Segmentation in CT Images [83.26057031236965]
  画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。 PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。 このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
  論文  参考訳（メタデータ） (2021-08-09T04:58:23Z)
• BoundarySqueeze: Image Segmentation as Boundary Squeezing [104.43159799559464]
  本研究では,オブジェクトとシーンの微細な高画質画像分割のための新しい手法を提案する。 形態素画像処理技術による拡張と浸食に着想を得て,画素レベルのセグメンテーション問題をスクイーズ対象境界として扱う。 提案手法は,COCO,Cityscapesのインスタンス・セグメンテーション・セグメンテーション・セグメンテーションにおいて大きく向上し,同一条件下での精度・速度ともに従来のPointRendよりも優れていた。
  論文  参考訳（メタデータ） (2021-05-25T04:58:51Z)
• Look Closer to Segment Better: Boundary Patch Refinement for Instance Segmentation [51.59290734837372]
  境界品質を改善するために,概念的にシンプルで効果的な後処理改善フレームワークを提案する。 提案されたBPRフレームワークは、CityscapesベンチマークのMask R-CNNベースラインを大幅に改善する。 BPRフレームワークをPolyTransform + SegFixベースラインに適用することで、Cityscapesのリーダーボードで1位に到達しました。
  論文  参考訳（メタデータ） (2021-04-12T07:10:48Z)
• AINet: Association Implantation for Superpixel Segmentation [82.21559299694555]
  今回提案する新しいtextbfAssociation textbfImplantation(AI)モジュールは、ネットワークがピクセルとその周辺グリッド間の関係を明示的にキャプチャすることを可能にする。 本手法は最先端性能を実現するだけでなく,十分な推論効率を維持することができた。
  論文  参考訳（メタデータ） (2021-01-26T10:40:13Z)
• Boundary-Aware Geometric Encoding for Semantic Segmentation of Point Clouds [45.270215729464056]
  境界情報は2Dイメージセグメンテーションにおいて重要な役割を果たすが、通常は3Dポイントクラウドセグメンテーションでは無視される。 境界点を予測するための境界予測モジュール(BPM)を提案する。 予測された境界に基づいて、境界認識ジオメトリック。 GEMは、幾何学的情報をエンコードし、近隣の差別を伴う特徴を集約するように設計されている。
  論文  参考訳（メタデータ） (2021-01-07T05:38:19Z)
• Superpixel Segmentation Based on Spatially Constrained Subspace Clustering [57.76302397774641]
  独立意味情報を持つ各代表領域を部分空間とみなし,部分空間クラスタリング問題としてスーパーピクセルセグメンテーションを定式化する。 従来のサブスペースクラスタリングとスーパーピクセルセグメンテーションの簡単な統合は,画素の空間相関のために効果的に機能しないことを示す。 本稿では,空間隣接画素に類似の属性を付加してスーパーピクセルにクラスタリング可能な,凸局所性制約付きサブスペースクラスタリングモデルを提案する。
  論文  参考訳（メタデータ） (2020-12-11T06:18:36Z)
• Unsupervised Community Detection with a Potts Model Hamiltonian, an Efficient Algorithmic Solution, and Applications in Digital Pathology [1.6506888719932784]
  本稿では,各色特徴に基づく入力画像画素の高速な統計的ダウンサンプリングと,セグメント関係を考慮したポッツモデルエネルギーの最小化手法を提案する。 特に腎疾患における腎糸球体微小環境のセグメンテーションにおいて,医用顕微鏡画像のセグメンテーションに本法の応用を実証した。
  論文  参考訳（メタデータ） (2020-02-05T01:20:28Z)

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。