Fugu-MT 論文翻訳(概要): 2nd Place Solution to Instance Segmentation of IJCAI 3D AI Challenge 2020

論文の概要: 2nd Place Solution to Instance Segmentation of IJCAI 3D AI Challenge 2020

arxiv url: http://arxiv.org/abs/2010.10957v1
Date: Wed, 21 Oct 2020 12:53:01 GMT
ステータス: 翻訳完了
システム内更新日: 2022-10-05 00:27:48.306973
Title: 2nd Place Solution to Instance Segmentation of IJCAI 3D AI Challenge 2020
Title（参考訳）: IJCAI 3D AI Challenge 2020のインスタンスセグメンテーションに対する第2位ソリューション
Abstract要約: PointRend を用いた Mask R-CNN は,高品質なオブジェクト境界を出力する基本セグメンテーションフレームワークとして選択される。 ResNeSt、FPN、DCNv2を統合したより良いエンジンと、セグメンテーション性能を改善するために様々な効果的なトリックを適用した。
参考スコア（独自算出の注目度）: 4.1362356283102795
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Compared with MS-COCO, the dataset for the competition has a larger proportion of large objects which area is greater than 96x96 pixels. As getting fine boundaries is vitally important for large object segmentation, Mask R-CNN with PointRend is selected as the base segmentation framework to output high-quality object boundaries. Besides, a better engine that integrates ResNeSt, FPN and DCNv2, and a range of effective tricks that including multi-scale training and test time augmentation are applied to improve segmentation performance. Our best performance is an ensemble of four models (three PointRend-based models and SOLOv2), which won the 2nd place in IJCAI-PRICAI 3D AI Challenge 2020: Instance Segmentation.
Abstract（参考訳）: MS-COCOと比較して、競合のデータセットは96x96ピクセルを超える大きなオブジェクトの比率が大きい。大きなオブジェクトのセグメンテーションでは、細かいバウンダリを得ることが極めて重要であるため、pointrendを使ったマスクr-cnnがベースセグメンテーションフレームワークとして選択され、高品質なオブジェクト境界を出力する。さらに、ResNeSt、FPN、DCNv2を統合したより優れたエンジンと、マルチスケールトレーニングやテスト時間拡張を含む様々な効果的なトリックを適用し、セグメンテーション性能を向上させる。私たちの最高のパフォーマンスは、4つのモデル(PointRendベースの3つのモデルとSOLOv2)のアンサンブルで、IJCAI-PRICAI 3D AI Challenge 2020: Instance Segmentationで2位を獲得しました。

関連論文リスト

FVOS for MOSE Track of 4th PVUW Challenge: 3rd Place Solution [2.9149767401557574]
ビデオオブジェクトPV(VOS)はコンピュータビジョンにおける最も基本的で困難なタスクの1つである。本稿では,挑戦シーンにおける映像オブジェクトの正確なセグメンテーションを実現することを目的とする。
論文参考訳（メタデータ） (2025-04-13T10:14:19Z)
Instance Segmentation under Occlusions via Location-aware Copy-Paste Data Augmentation [8.335108002480068]
MMSports 2023 DeepSportRadarは、バスケットボールのコンテキスト内での人間の対象のセグメンテーションに焦点を当てたデータセットを導入した。この課題は、堅牢なデータ拡張技術と賢明なディープラーニングアーキテクチャの適用を必要とする。我々の研究(コンペで1位)は、まず、より広い分布でより多くのトレーニングサンプルを生成することのできる、新しいデータ拡張技術を提案する。
論文参考訳（メタデータ） (2023-10-27T07:44:25Z)
Contrastive Lift: 3D Object Instance Segmentation by Slow-Fast Contrastive Fusion [110.84357383258818]
本稿では,2次元セグメントを3次元に上げ,ニューラルネットワーク表現を用いて融合させる新しい手法を提案する。このアプローチの中核は、高速なクラスタリング目的関数であり、多数のオブジェクトを持つシーンにスケーラブルで適しています。我々のアプローチは、ScanNet、Hypersim、Replicaのデータセットからの挑戦的なシーンにおいて、最先端の状況よりも優れています。
論文参考訳（メタデータ） (2023-06-07T17:57:45Z)
RefineMask: Towards High-Quality Instance Segmentation with Fine-Grained Features [53.71163467683838]
RefineMaskは、オブジェクトやシーンの高品質なインスタンスセグメンテーションのための新しい方法です。インスタンス毎のセグメンテーションプロセス中に粒度の細かい機能を多段階的に組み込む。以前のほとんどのメソッドで過剰にスムースされたオブジェクトの曲がった部分のようなハードケースをセグメンテーションすることに成功します。
論文参考訳（メタデータ） (2021-04-17T15:09:20Z)
Boundary-Aware Segmentation Network for Mobile and Web Applications [60.815545591314915]
境界認識ネットワーク(basnet)は、精度の高い画像分割のための予測再定義アーキテクチャとハイブリッド損失と統合されている。 basnetは単一のgpu上で70fps以上動作し、多くの潜在的なアプリケーションが利用できる。 BASNetをベースに、BASNetが「COPY」と「PASTING」現実世界のオブジェクトのための拡張現実であるAR COPY & PASTEと、オブジェクト背景の自動削除のためのWebベースのツールであるOBJECT CUTの2つの(近い)商用アプリケーションをさらに開発しました。
論文参考訳（メタデータ） (2021-01-12T19:20:26Z)
Multi Receptive Field Network for Semantic Segmentation [8.06045579589765]
セグメンテーションのためのMRFM(Multi-Receptive Field Module)を提案する。また、オブジェクト/スタッフの境界を識別するのに有効なエッジ認識損失を設計する。具体的には、Cityscapesデータセットで83.0の平均IoU、Pascal VOC2012データセットで88.4の平均IoUを達成する。
論文参考訳（メタデータ） (2020-11-17T11:52:23Z)
Towards Fine-grained Large Object Segmentation 1st Place Solution to 3D AI Challenge 2020 -- Instance Segmentation Track [10.534550335612138]
このレポートでは、3D AI Challenge 2020におけるインスタンストラックのためのTeam 'FineGrainedSeg'のソリューションを紹介します。 3D-Futureで非常に大きなオブジェクトを扱うために、HTCやSOLOv2に比べてきめ細かいマスクを出力するPointRendを基本フレームワークとして採用しています。最後の提出は5つのPointRendモデルのアンサンブルで、検証とテストのリーダーボードの両方で1位を獲得します。
論文参考訳（メタデータ） (2020-09-10T02:55:27Z)
LevelSet R-CNN: A Deep Variational Method for Instance Segmentation [79.20048372891935]
現在、多くのアートモデルはMask R-CNNフレームワークに基づいている。本稿では,両世界の長所を結合したR-CNNを提案する。我々はCOCOおよびCityscapesデータセットに対するアプローチの有効性を示す。
論文参考訳（メタデータ） (2020-07-30T17:52:18Z)
PointGroup: Dual-Set Point Grouping for 3D Instance Segmentation [111.7241018610573]
私たちは、インスタンスセグメンテーションのための新しいエンドツーエンドボトムアップアーキテクチャであるPointGroupを紹介します。我々は2分岐ネットワークを設計し、ポイントの特徴を抽出し、セマンティックラベルとオフセットを予測し、各ポイントをそれぞれのインスタンスセントロイドに向けてシフトさせる。クラスタリングコンポーネントは、元のおよびオフセットシフトされた点座標セットの両方を利用するために、その相補的な強度を利用する。 ScanNet v2 と S3DIS の2つの挑戦的データセットに対する広範な実験を行い、ScanNet v2 と S3DIS が最も高い性能を達成し、63.6% と 64.0% の2つを以前のベストが達成した54.9% と54.4% と比較した。
論文参考訳（メタデータ） (2020-04-03T16:26:37Z)
1st Place Solutions for OpenImage2019 -- Object Detection and Instance Segmentation [116.25081559037872]
この記事では,2つのチャンピオンチーム,検出トラックのMMfruit'とセグメンテーショントラックのMMfruitSeg'のソリューションについて,OpenImage Challenge 2019で紹介する。一般に、対象検出器の場合、バックボーンの端の共有特徴は分類と回帰の両方に適さないことが知られている。自己学習型最適特徴抽出によりオブジェクトの分類と回帰を分離するデカップリングヘッド(DH)を提案する。
論文参考訳（メタデータ） (2020-03-17T06:45:07Z)

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。