論文の概要: A Weakly-Supervised Semantic Segmentation Approach based on the Centroid Loss: Application to Quality Control and Inspection

• arxiv url: http://arxiv.org/abs/2010.13433v3
• Date: Thu, 4 Mar 2021 14:41:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 19:13:42.866294
• Title: A Weakly-Supervised Semantic Segmentation Approach based on the Centroid Loss: Application to Quality Control and Inspection
• Title（参考訳）: 遠心損失に基づく弱教師付き意味セグメンテーションアプローチ:品質管理と検査への応用
• Authors: Kai Yao, Alberto Ortiz, Francisco Bonnin-Pascual
• Abstract要約: 本稿では,新しい損失関数を用いた弱教師付きセマンティックセマンティックセマンティクス手法の提案と評価を行う。 アプローチのパフォーマンスは,2つの業界関連ケーススタディのデータセットに対して評価される。
• 参考スコア（独自算出の注目度）: 6.101839518775968
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It is generally accepted that one of the critical parts of current vision algorithms based on deep learning and convolutional neural networks is the annotation of a sufficient number of images to achieve competitive performance. This is particularly difficult for semantic segmentation tasks since the annotation must be ideally generated at the pixel level. Weakly-supervised semantic segmentation aims at reducing this cost by employing simpler annotations that, hence, are easier, cheaper and quicker to produce. In this paper, we propose and assess a new weakly-supervised semantic segmentation approach making use of a novel loss function whose goal is to counteract the effects of weak annotations. To this end, this loss function comprises several terms based on partial cross-entropy losses, being one of them the Centroid Loss. This term induces a clustering of the image pixels in the object classes under consideration, whose aim is to improve the training of the segmentation network by guiding the optimization. The performance of the approach is evaluated against datasets from two different industry-related case studies: while one involves the detection of instances of a number of different object classes in the context of a quality control application, the other stems from the visual inspection domain and deals with the localization of images areas whose pixels correspond to scene surface points affected by a specific sort of defect. The detection results that are reported for both cases show that, despite the differences among them and the particular challenges, the use of weak annotations do not prevent from achieving a competitive performance level for both.
• Abstract（参考訳）: 一般に、ディープラーニングと畳み込みニューラルネットワークに基づく現在のビジョンアルゴリズムの重要な部分の1つは、競合性能を達成するのに十分な数の画像のアノテーションであると考えられている。 アノテーションはピクセルレベルで理想的に生成する必要があるため、セマンティックセグメンテーションタスクでは特に難しい。 弱い教師付きセマンティックセグメンテーション(weakly supervised semantic segmentation)は、よりシンプルなアノテーションを使用することで、このコストを削減することを目的としている。 本稿では,弱いアノテーションの効果を相殺することを目的とした新しい損失関数を用いて,新しい弱教師付き意味セグメンテーション手法を提案し,評価する。 この目的のために、この損失関数は部分的エントロピー損失に基づくいくつかの項を含み、その1つはセントロイド損失である。 この用語は、最適化を導くことによってセグメンテーションネットワークのトレーニングを改善することを目的として、対象クラスにおける画像画素のクラスタリングを誘導する。 手法の性能は,品質管理アプリケーションにおいて,複数の異なるオブジェクトクラスのインスタンスを検出した場合と,視覚検査領域に起源を持つ場合と,特定の欠陥によって影響を受けるシーン表面の点に対応する画像領域の局所化を扱う場合の2つの異なるケーススタディから評価される。 両方のケースで報告された検出結果は、両者の違いと特定の課題にもかかわらず、弱いアノテーションの使用が双方の競争性能レベルを達成するのを妨げないことを示している。

関連論文リスト

• Weakly-Supervised Cross-Domain Segmentation of Electron Microscopy with Sparse Point Annotation [1.124958340749622]
  カウント,検出,セグメンテーションタスク間の相関を利用したマルチタスク学習フレームワークを提案する。 ラベル拡張のためのクロスポジションカット・アンド・ペーストを開発し,エントロピーに基づく擬似ラベル選択を行う。 提案手法は, UDA法を著しく上回り, 教師付き手法と同等の性能を発揮する。
  論文  参考訳（メタデータ） (2024-03-31T12:22:23Z)
• Uncertainty-weighted Loss Functions for Improved Adversarial Attacks on Semantic Segmentation [16.109860499330562]
  分類モデルのために開発された敵攻撃は、セグメンテーションモデルにも適用可能であることが示された。 このような攻撃の損失関数に対する単純な不確実性に基づく重み付け方式を提案する。 重み付けスキームは、よく知られた敵攻撃者の損失関数に容易に組み込むことができる。
  論文  参考訳（メタデータ） (2023-10-26T14:47:10Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Location-Aware Self-Supervised Transformers [74.76585889813207]
  画像部品の相対的な位置を予測し,セマンティックセグメンテーションのためのネットワークを事前訓練する。 参照パッチのサブセットを問合せのサブセットにマスキングすることで,タスクの難しさを制御します。 実験により,この位置認識事前学習が,いくつかの難解なセマンティックセグメンテーションベンチマークに競合する表現をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-12-05T16:24:29Z)
• Self-Supervised Video Object Segmentation via Cutout Prediction and Tagging [117.73967303377381]
  本稿では, 自己教師型ビデオオブジェクト(VOS)アプローチを提案する。 本手法は,対象情報と背景情報の両方を考慮した識別学習損失の定式化に基づく。 提案手法であるCT-VOSは, DAVIS-2017 と Youtube-VOS の2つの挑戦的なベンチマークにおいて,最先端の結果を達成している。
  論文  参考訳（メタデータ） (2022-04-22T17:53:27Z)
• Weakly Supervised Nuclei Segmentation via Instance Learning [30.392562834466613]
  病理画像解析では,弱い教師付き核分割が重要な問題である。 弱教師付きセマンティックとインスタンスセグメンテーションを分離することを提案する。 本手法は,病理画像の2つの公開ベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-02-03T12:51:30Z)
• Semi-supervised Semantic Segmentation with Directional Context-aware Consistency [66.49995436833667]
  我々は、ラベル付きデータの小さなセットに、全くラベル付けされていない画像のより大きなコレクションを提供する半教師付きセグメンテーション問題に焦点をあてる。 好ましいハイレベル表現は、自己認識を失わずにコンテキスト情報をキャプチャするべきである。 我々は,DCロス(Directional Contrastive Loss)を画素対ピクセルの整合性を達成するために提示する。
  論文  参考訳（メタデータ） (2021-06-27T03:42:40Z)
• Mixup-CAM: Weakly-supervised Semantic Segmentation via Uncertainty Regularization [73.03956876752868]
  我々は、ネットワークがオブジェクトの他の部分に注意を払うことを可能にする、原則的でエンドツーエンドのトレーニング可能なフレームワークを提案する。 具体的には、ミックスアップデータ拡張方式を分類ネットワークに導入し、2つの不確実な正規化項を設計し、ミックスアップ戦略をよりよく扱う。
  論文  参考訳（メタデータ） (2020-08-03T21:19:08Z)
• Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation [128.03739769844736]
  2つのニューラルコアテンションを分類器に組み込んで、画像間のセマンティックな類似点と相違点をキャプチャする。 オブジェクトパターン学習の強化に加えて、コアテンションは他の関連する画像からのコンテキストを活用して、ローカライズマップの推論を改善することができる。 提案アルゴリズムは,これらすべての設定に対して新たな最先端性を設定し,その有効性と一般化性を示す。
  論文  参考訳（メタデータ） (2020-07-03T21:53:46Z)
• Structured Consistency Loss for semi-supervised semantic segmentation [1.4146420810689415]
  整合性喪失は、半教師付き学習の最近の研究において、問題解決において重要な役割を担っている。 本稿では,既存の研究の限界に対処する構造的整合損失を提案する。 我々は,セマンティックセグメンテーションにおける最先端の半教師あり学習の優位性を初めて提示する。
  論文  参考訳（メタデータ） (2020-01-14T07:08:45Z)

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。