論文の概要: Meta-DRN: Meta-Learning for 1-Shot Image Segmentation

• arxiv url: http://arxiv.org/abs/2008.00247v1
• Date: Sat, 1 Aug 2020 11:23:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 00:39:09.270343
• Title: Meta-DRN: Meta-Learning for 1-Shot Image Segmentation
• Title（参考訳）: メタDRN:1ショット画像セグメンテーションのためのメタラーニング
• Authors: Atmadeep Banerjee
• Abstract要約: 1ショット画像分割のための新しい軽量CNNアーキテクチャを提案する。 画像分類に有効である4つのメタ学習アルゴリズムを用いて、モデルをトレーニングし、その結果を比較した。
• 参考スコア（独自算出の注目度）: 0.12691047660244334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern deep learning models have revolutionized the field of computer vision. But, a significant drawback of most of these models is that they require a large number of labelled examples to generalize properly. Recent developments in few-shot learning aim to alleviate this requirement. In this paper, we propose a novel lightweight CNN architecture for 1-shot image segmentation. The proposed model is created by taking inspiration from well-performing architectures for semantic segmentation and adapting it to the 1-shot domain. We train our model using 4 meta-learning algorithms that have worked well for image classification and compare the results. For the chosen dataset, our proposed model has a 70% lower parameter count than the benchmark, while having better or comparable mean IoU scores using all 4 of the meta-learning algorithms.
• Abstract（参考訳）: 現代のディープラーニングモデルはコンピュータビジョンの分野に革命をもたらした。 しかし、これらのモデルの大きな欠点は、適切に一般化するために多数のラベル付き例を必要とすることである。 数ショット学習の最近の発展は、この要件を緩和することを目的としている。 本稿では,1ショット画像セグメンテーションのための新しい軽量cnnアーキテクチャを提案する。 提案モデルは,セマンティックセグメンテーションのための優れたアーキテクチャからインスピレーションを得て,それを1ショットドメインに適応させることによって作成される。 画像分類に有効である4つのメタ学習アルゴリズムを用いてモデルをトレーニングし、その結果を比較した。 選択したデータセットに対して、提案したモデルは、ベンチマークよりも70%低いパラメータカウントを持ち、メタ学習アルゴリズムの4つすべてを用いて、より良いか同等の平均IoUスコアを持つ。

関連論文リスト

• SPPNet: A Single-Point Prompt Network for Nuclei Image Segmentation [6.149725843029721]
  核画像分割のためのシングルポイントプロンプトネットワークを提案する。 オリジナル画像エンコーダを軽量な視覚変換器に置き換える。 提案モデルはMoNuSeg-2018データセットで評価される。
  論文  参考訳（メタデータ） (2023-08-23T16:13:58Z)
• MOCA: Self-supervised Representation Learning by Predicting Masked Online Codebook Assignments [72.6405488990753]
  自己教師付き学習は、ビジョントランスフォーマーネットワークの欲求を軽減できる。 所望のプロパティを統一する単段および単段のMOCAを提案する。 我々は,様々な評価プロトコルにおいて,低照度設定と強力な実験結果に対して,最先端の新たな結果を得る。
  論文  参考訳（メタデータ） (2023-07-18T15:46:20Z)
• Improving Zero-shot Generalization and Robustness of Multi-modal Models [70.14692320804178]
  CLIPやLiTのようなマルチモーダルな画像テキストモデルは、画像分類ベンチマークで顕著な性能を示している。 本研究は,この性能差の原因を考察し,テキストプロンプトの曖昧さによる障害事例の多くが原因であることを示す。 本稿では,WordNet階層を用いて,不確実な画像の精度を向上させるための簡易かつ効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-12-04T07:26:24Z)
• Few-Shot Learning of Compact Models via Task-Specific Meta Distillation [16.683801607142257]
  コンパクトモデルの少数ショット学習における新しい問題を考える。 メタ学習において2つのモデルを同時に学習するタスク固有のメタ蒸留を提案する。
  論文  参考訳（メタデータ） (2022-10-18T15:06:47Z)
• Dynamic Kernel Selection for Improved Generalization and Memory Efficiency in Meta-learning [9.176056742068813]
  圧縮CNNモデルを設計するためのタスク固有の動的カーネル選択戦略であるMetaDOCKを提案する。 提案手法は,各タスクごとにネットワークのすべてのカーネルが必要なわけではない,という仮説に基づいている。 提案手法を用いて得られた大容量CNNモデルの同一推定予算に対して,従来のCNNモデルよりも常に優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2022-06-03T17:09:26Z)
• Adaptive Convolutional Dictionary Network for CT Metal Artifact Reduction [62.691996239590125]
  本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。 我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。 本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
  論文  参考訳（メタデータ） (2022-05-16T06:49:36Z)
• Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
  この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。 画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。 特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
  論文  参考訳（メタデータ） (2020-12-09T12:40:13Z)
• Rethinking Few-Shot Image Classification: a Good Embedding Is All You Need? [72.00712736992618]
  メタトレーニングセット上で教師付きあるいは自己教師型表現を学習する単純なベースラインが、最先端の数ショット学習方法より優れていることを示す。 追加の増量は自己蒸留によって達成できる。 我々は,この発見が,画像分類ベンチマークとメタ学習アルゴリズムの役割を再考する動機となっていると考えている。
  論文  参考訳（メタデータ） (2020-03-25T17:58:42Z)
• CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
  少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。 相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。 PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2020-03-24T04:55:43Z)
• Self-Learning AI Framework for Skin Lesion Image Segmentation and Classification [0.0]
  深層学習モデルで医用画像セグメンテーションを行うには、アノテーションによる大規模な画像データセットのトレーニングが必要である。 この問題を解決するために,2段階のディープラーニングアルゴリズムにおいて自己学習アノテーションスキームが提案された。 提案されたAIフレームワークの分類結果は、トレーニング精度93.8%、テスト精度82.42%を達成した。
  論文  参考訳（メタデータ） (2020-01-04T09:31:11Z)

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。