Fugu-MT 論文翻訳(概要): Affinity LCFCN: Learning to Segment Fish with Weak Supervision

論文の概要: Affinity LCFCN: Learning to Segment Fish with Weak Supervision

arxiv url: http://arxiv.org/abs/2011.03149v1
Date: Fri, 6 Nov 2020 00:33:20 GMT
ステータス: 処理完了
システム内更新日: 2022-09-29 04:58:56.160733
Title: Affinity LCFCN: Learning to Segment Fish with Weak Supervision
Title（参考訳）: Affinity LCFCN:Wak Supervisionによる魚の分節学習
Authors: Issam Laradji, Alzayat Saleh, Pau Rodriguez, Derek Nowrouzezahrai, Mostafa Rahimi Azghadi, David Vazquez
Abstract要約: 点レベルの監督のみをラベル付けした画像に対して,効率的に訓練された自動セグメンテーションモデルを提案する。我々のアプローチでは、ひとつのブランチでピクセル当たりのスコアを出力し、別のブランチで親和性行列を出力する完全な畳み込みニューラルネットワークを使用します。オーストラリア北東部の多くの魚類生息地を含むDeepFishデータセットを用いて,本モデルを検証した。
参考スコア（独自算出の注目度）: 15.245008639754328
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Aquaculture industries rely on the availability of accurate fish body measurements, e.g., length, width and mass. Manual methods that rely on physical tools like rulers are time and labour intensive. Leading automatic approaches rely on fully-supervised segmentation models to acquire these measurements but these require collecting per-pixel labels -- also time consuming and laborious: i.e., it can take up to two minutes per fish to generate accurate segmentation labels, almost always requiring at least some manual intervention. We propose an automatic segmentation model efficiently trained on images labeled with only point-level supervision, where each fish is annotated with a single click. This labeling process requires significantly less manual intervention, averaging roughly one second per fish. Our approach uses a fully convolutional neural network with one branch that outputs per-pixel scores and another that outputs an affinity matrix. We aggregate these two outputs using a random walk to obtain the final, refined per-pixel segmentation output. We train the entire model end-to-end with an LCFCN loss, resulting in our A-LCFCN method. We validate our model on the DeepFish dataset, which contains many fish habitats from the north-eastern Australian region. Our experimental results confirm that A-LCFCN outperforms a fully-supervised segmentation model at fixed annotation budget. Moreover, we show that A-LCFCN achieves better segmentation results than LCFCN and a standard baseline. We have released the code at \url{https://github.com/IssamLaradji/affinity_lcfcn}.
Abstract（参考訳）: 養殖業では、長さ、幅、質量など、正確な魚の体を測定することができる。支配者のような物理的なツールに依存する手動のメソッドは時間と労働集約的です。自動的なアプローチは、これらの測定を得るために完全に教師されたセグメンテーションモデルに依存するが、これらはピクセルごとのラベルの収集を必要とする。魚を1クリックでアノテートするポイントレベルの監督のみでラベル付けされた画像に対して効率的に学習する自動セグメンテーションモデルを提案する。このラベル付けプロセスでは、手作業による介入が大幅に少なく、魚1頭につき平均1秒程度必要となる。提案手法では,完全畳み込みニューラルネットワークを用いて,ピクセル単位のスコアと親和性行列を出力させる。これら2つの出力をランダムウォークで集約し、最終的な精巧なピクセル単位のセグメンテーション出力を得る。我々は、LCFCN損失でモデル全体をエンドツーエンドにトレーニングし、その結果A-LCFCN法が得られた。オーストラリア北東部の多くの魚類生息地を含むDeepFishデータセットを用いて本モデルを検証した。実験の結果,a-lcfcn は固定アノテーション予算で完全教師ありセグメンテーションモデルを上回ることがわかった。さらに,A-LCFCNはLCFCNや標準ベースラインよりも高いセグメンテーション結果が得られることを示す。コードは \url{https://github.com/IssamLaradji/affinity_lcfcn} でリリースしました。

関連論文リスト

Better Call SAL: Towards Learning to Segment Anything in Lidar [63.9984147657437]
本稿では,Lidar内の任意のオブジェクトをセグメント化,分類するためのテキストプロンプト可能なゼロショットモデルを提案する。擬似ラベルを用いて2次元視覚基盤モデルを用いて3次元の3次元監督を無償で生成する。我々のモデルは、クラスに依存しない点では91%、ゼロショットのLidar Panopticonでは54%である。
論文参考訳（メタデータ） (2024-03-19T19:58:54Z)
CFDP: Common Frequency Domain Pruning [0.3021678014343889]
本稿では,周波数領域を経由したモデルプルーニングのための新しいエンドツーエンドパイプラインを提案する。我々はCIFAR-10で、GoogLeNetが95.25%、すなわちオリジナルのモデルから+0.2%の精度で達成した。特筆すべきパフォーマンスに加えて、CFDPによって生成されたモデルは、様々な構成に対して堅牢性を示す。
論文参考訳（メタデータ） (2023-06-07T04:49:26Z)
Multi-Level Contrastive Learning for Dense Prediction Task [59.591755258395594]
本稿では,高密度予測タスクのための領域レベルの特徴表現を効率よく学習するための,MCL(Multi-Level Contrastive Learning for Dense Prediction Task)を提案する。本手法は, 局所化, スケールの整合性, 認識の3つの要因に動機付けられている。提案手法は,様々なデータセットにおける最近の最先端の手法よりも有意なマージンを有する。
論文参考訳（メタデータ） (2023-04-04T17:59:04Z)
LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
論文参考訳（メタデータ） (2022-10-14T19:13:36Z)
Exploiting Shape Cues for Weakly Supervised Semantic Segmentation [15.791415215216029]
弱教師付きセマンティックセマンティックセグメンテーション (WSSS) は、画像レベルのラベルのみをトレーニング用として、画素単位のクラス予測を生成することを目的としている。畳み込みニューラルネットワーク(CNN)のテクスチャバイアス特性を補うために形状情報を活用することを提案する。我々は、クラスと色親和性の両方を考慮した新しい改良手法により、オンライン方式で予測をさらに洗練する。
論文参考訳（メタデータ） (2022-08-08T17:25:31Z)
Transformer-based Self-Supervised Fish Segmentation in Underwater Videos [1.9249287163937976]
魚の高品質なセグメンテーションのための自己スーパービジョンを用いたトランスフォーマー方式を提案する。 1つのデータセットから水中ビデオのセットをトレーニングすると、提案モデルは従来のCNNベースおよびTransformerベースの自己教師方式を上回ることが示される。
論文参考訳（メタデータ） (2022-06-11T01:20:48Z)
Fast Point Voxel Convolution Neural Network with Selective Feature Fusion for Point Cloud Semantic Segmentation [7.557684072809662]
本稿では,ポイントクラウド解析のための軽量畳み込みニューラルネットワークを提案する。本手法はサンプリングなしで全点集合上で動作し,効率よく性能を向上する。
論文参考訳（メタデータ） (2021-09-23T19:39:01Z)
Adaptive Context-Aware Multi-Modal Network for Depth Completion [107.15344488719322]
我々は,観測された空間コンテキストを捉えるために,グラフ伝搬を採用することを提案する。次に、注意機構を伝搬に適用し、ネットワークが文脈情報を適応的にモデル化することを奨励する。最後に、抽出したマルチモーダル特徴を効果的に活用するための対称ゲート融合戦略を導入する。本稿では,Adaptive Context-Aware Multi-Modal Network (ACMNet) を2つのベンチマークで評価した。
論文参考訳（メタデータ） (2020-08-25T06:00:06Z)
The Devil is in Classification: A Simple Framework for Long-tail Object Detection and Instance Segmentation [93.17367076148348]
本稿では,最新のロングテールLVISデータセットを用いて,最先端の2段階のインスタンスセグメンテーションモデルMask R-CNNの性能低下について検討する。主な原因は、オブジェクト提案の不正確な分類である。そこで本研究では,2段階のクラスバランスサンプリング手法により,分類ヘッドバイアスをより効果的に緩和する,簡単な校正フレームワークを提案する。
論文参考訳（メタデータ） (2020-07-23T12:49:07Z)
Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
論文参考訳（メタデータ） (2020-07-07T03:36:28Z)
Deep Learning based Segmentation of Fish in Noisy Forward Looking MBES Images [1.5469452301122177]
セマンティックセグメンテーションのためのディープラーニング(DL)と畳み込みニューラルネットワーク(CNN)の最近の進歩に基づいて構築する。画像ソナーによって投影される全ての射程方位位置に対する魚・魚・魚の確率予測のためのエンドツーエンドのアプローチを実証する。我々は,本モデルが所望のパフォーマンスを証明し,意味的文脈の重要性を活用することを学習したことを示す。
論文参考訳（メタデータ） (2020-06-16T09:57:38Z)

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。