論文の概要: Video Object Segmentation with Adaptive Feature Bank and
Uncertain-Region Refinement
- arxiv url: http://arxiv.org/abs/2010.07958v1
- Date: Thu, 15 Oct 2020 18:04:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 04:27:49.933282
- Title: Video Object Segmentation with Adaptive Feature Bank and
Uncertain-Region Refinement
- Title（参考訳）: 適応的特徴バンクと不確かさリファインメントを用いたビデオオブジェクト分割
- Authors: Yongqing Liang, Xin Li, Navid Jafari, Qin Chen
- Abstract要約: 半教師付きビデオオブジェクトセグメンテーション(VOS)のための新しいマッチングベースのフレームワークを提案する。
適応的機能バンク更新方式を導入し、新機能を動的に吸収し、古い機能を捨てる。
また,不確実領域のセグメンテーション精度を高めるために,新たな信頼損失ときめ細かなセグメンテーションモジュールを設計する。
- 参考スコア（独自算出の注目度）: 10.831867304717738
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a new matching-based framework for semi-supervised video object
segmentation (VOS). Recently, state-of-the-art VOS performance has been
achieved by matching-based algorithms, in which feature banks are created to
store features for region matching and classification. However, how to
effectively organize information in the continuously growing feature bank
remains under-explored, and this leads to inefficient design of the bank. We
introduce an adaptive feature bank update scheme to dynamically absorb new
features and discard obsolete features. We also design a new confidence loss
and a fine-grained segmentation module to enhance the segmentation accuracy in
uncertain regions. On public benchmarks, our algorithm outperforms existing
state-of-the-arts.
- Abstract（参考訳）: 半教師付きビデオオブジェクトセグメンテーション(VOS)のための新しいマッチングベースのフレームワークを提案する。
近年,領域マッチングと分類のための特徴バンクを作成するマッチングベースのアルゴリズムによって,最先端のVOS性能が達成されている。
しかし、継続的に成長するフィーチャーバンクで情報を効果的に整理する方法はまだ探索されていないため、銀行の非効率な設計につながる。
適応的機能バンク更新方式を導入し、新機能を動的に吸収し、古い機能を捨てる。
また,不確実領域のセグメンテーション精度を高めるために,新たな信頼損失ときめ細かなセグメンテーションモジュールを設計する。
公開ベンチマークでは、我々のアルゴリズムは既存の最先端よりも優れています。
関連論文リスト
- Multi-Scale Semantic Segmentation with Modified MBConv Blocks [29.026787888644474]
セマンティックセグメンテーションに適したMBConvブロックの新規適応を導入する。
これらの変更を実装することで、Cityscapesのテストおよび検証データセットにおいて、IoU(Intersection over Union)の84.5%と84.0%という印象的な平均値が得られる。
論文 参考訳（メタデータ） (2024-02-07T07:01:08Z) - Progressive Feature Self-reinforcement for Weakly Supervised Semantic
Segmentation [55.69128107473125]
Weakly Supervised Semantic (WSSS) のイメージレベルラベルを用いたシングルステージアプローチを提案する。
我々は、画像内容が決定論的領域(例えば、自信ある前景と背景)と不確実領域(例えば、オブジェクト境界と誤分類されたカテゴリ)に適応的に分割して、別々の処理を行う。
そこで我々は,これらの自信のある領域と同一のクラスラベルを持つ拡張画像とのセマンティック一貫性を制約する補完的な自己強調手法を提案する。
論文 参考訳（メタデータ） (2023-12-14T13:21:52Z) - COMNet: Co-Occurrent Matching for Weakly Supervised Semantic
Segmentation [13.244183864948848]
我々は,CAMの品質を向上し,オブジェクトの全体に対して注意を払うためにネットワークを強制する,新しいコオカレントマッチングネットワーク(COMNet)を提案する。
具体的には、共通クラスを含むペア画像のマッチングを行い、対応する領域を強化し、単一の画像上にマッチングを構築し、対象領域を横断する意味的特徴を伝達する。
The experiment on the Pascal VOC 2012 and MS-COCO datasets shows our network can effective boost the performance of the baseline model and a new-of-the-art performance。
論文 参考訳（メタデータ） (2023-09-29T03:55:24Z) - Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。
特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。
早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
論文 参考訳（メタデータ） (2023-06-20T03:00:22Z) - Condition-Invariant Semantic Segmentation [77.10045325743644]
我々は現在最先端のドメイン適応アーキテクチャ上で条件不変セマンティック(CISS)を実装している。
本手法は,通常の都市景観$to$ACDCベンチマークにおいて,2番目に高い性能を実現する。
CISSはBDD100K-nightやACDC-nightのようなトレーニング中に見えない領域によく一般化している。
論文 参考訳（メタデータ） (2023-05-27T03:05:07Z) - Boosting Semantic Segmentation with Semantic Boundaries [3.8377728124578865]
本稿ではセグメンテーション性能を高めるモデルに依存しないトレーニングフレームワークであるセマンティック境界条件付きバックボーン(SBCB)フレームワークを提案する。
本研究では,Cityscapesデータセットにおいて,各種のセグメンテーションヘッドとバックボーンを0.5%のIoUで改善することにより,SBCBフレームワークの有効性を示す。
また、このフレームワークをカスタマイズしたバックボーンと新しいビジョントランスフォーマーモデルに適用し、SBCBフレームワークの有効性を示す。
論文 参考訳（メタデータ） (2023-04-19T05:53:54Z) - Slimmable Domain Adaptation [112.19652651687402]
重み付けモデルバンクを用いて、ドメイン間の一般化を改善するためのシンプルなフレームワーク、Slimmable Domain Adaptationを導入する。
私たちのフレームワークは、他の競合するアプローチを、複数のベンチマークにおいて非常に大きなマージンで上回ります。
論文 参考訳（メタデータ） (2022-06-14T06:28:04Z) - Towards Fewer Annotations: Active Learning via Region Impurity and
Prediction Uncertainty for Domain Adaptive Semantic Segmentation [19.55572909866489]
ドメインシフトに基づく意味的セグメンテーションのための領域ベースアクティブラーニング手法を提案する。
領域不純物・予測不確かさ(AL-RIPU)を用いた能動学習では,画像領域の空間的隣接性を特徴付ける新たな獲得戦略が導入された。
我々の手法は、教師付きパフォーマンスにほぼ到達するためにはほとんどアノテーションを必要とせず、最先端の手法よりも大幅に優れています。
論文 参考訳（メタデータ） (2021-11-25T06:40:58Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳（メタデータ） (2021-03-22T20:36:34Z) - Unsupervised Domain Adaptation in Semantic Segmentation via Orthogonal
and Clustered Embeddings [25.137859989323537]
本稿では,機能クラスタリング手法に基づく効果的なUnsupervised Domain Adaptation(UDA)戦略を提案する。
識別的クラスタリング性能を高めるために,2つの新しい学習目標を導入する。
論文 参考訳（メタデータ） (2020-11-25T10:06:22Z) - Learning to Predict Context-adaptive Convolution for Semantic
Segmentation [66.27139797427147]
長距離コンテキスト情報は、高性能なセマンティックセグメンテーションを実現するために不可欠である。
空間的に変化する特徴重み付けベクトルを予測するためのコンテキスト適応畳み込みネットワーク(CaC-Net)を提案する。
当社のCaC-Netは,3つの公開データセット上でのセグメンテーション性能に優れています。
論文 参考訳（メタデータ） (2020-04-17T13:09:17Z)
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。