論文の概要: Self-supervised Segmentation via Background Inpainting

• arxiv url: http://arxiv.org/abs/2011.05626v1
• Date: Wed, 11 Nov 2020 08:34:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 00:16:46.831750
• Title: Self-supervised Segmentation via Background Inpainting
• Title（参考訳）: 背景塗布による自己組織化セグメンテーション
• Authors: Isinsu Katircioglu, Helge Rhodin, Victor Constantin, J\"org Sp\"orri, Mathieu Salzmann, Pascal Fua
• Abstract要約: 移動可能なカメラで撮影された単一の画像で、自己教師付き検出とセグメンテーションのアプローチを導入する。 我々は、提案に基づくセグメンテーションネットワークのトレーニングに利用する自己教師付き損失関数を利用する。 本手法は,標準ベンチマークから視覚的に切り離された画像の人間の検出とセグメント化に応用し,既存の自己監督手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 96.10971980098196
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While supervised object detection and segmentation methods achieve impressive accuracy, they generalize poorly to images whose appearance significantly differs from the data they have been trained on. To address this when annotating data is prohibitively expensive, we introduce a self-supervised detection and segmentation approach that can work with single images captured by a potentially moving camera. At the heart of our approach lies the observation that object segmentation and background reconstruction are linked tasks, and that, for structured scenes, background regions can be re-synthesized from their surroundings, whereas regions depicting the moving object cannot. We encode this intuition into a self-supervised loss function that we exploit to train a proposal-based segmentation network. To account for the discrete nature of the proposals, we develop a Monte Carlo-based training strategy that allows the algorithm to explore the large space of object proposals. We apply our method to human detection and segmentation in images that visually depart from those of standard benchmarks and outperform existing self-supervised methods.
• Abstract（参考訳）: 教師付きオブジェクト検出とセグメンテーション手法は印象的な精度を発揮する一方で、トレーニングしたデータと大きく異なる外観の画像を一般化する。 これに対処するために,移動可能なカメラで撮影される単一の画像に対して,自己教師あり検出とセグメンテーションのアプローチを導入する。 提案手法の核心となるのは,対象のセグメンテーションと背景の再構築がリンクされたタスクであること,背景の領域が周囲から再合成可能であること,移動物体を描写する領域は不可能であること,である。 我々はこの直感を自己教師付き損失関数にエンコードし、提案に基づくセグメンテーションネットワークを訓練する。 提案の離散的性質を考慮し,モンテカルロを基盤とした学習戦略を開発し,提案対象の広い空間を探索するアルゴリズムを提案する。 本手法は,標準ベンチマークから視覚的に切り離された画像の人間の検出と分割に応用し,既存の自己監督手法より優れている。

関連論文リスト

• Spatial Structure Constraints for Weakly Supervised Semantic Segmentation [100.0316479167605]
  クラスアクティベーションマップ(CAM)は、オブジェクトの最も識別性の高い部分のみを見つけることができる。 注意伸縮の余剰なオブジェクトの過剰な活性化を軽減するために,弱い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のための空間構造制約(SSC)を提案する。 提案手法は,PASCAL VOC 2012とCOCOデータセットでそれぞれ72.7%,47.0%mIoUを達成した。
  論文  参考訳（メタデータ） (2024-01-20T05:25:25Z)
• LOCATE: Self-supervised Object Discovery via Flow-guided Graph-cut and Bootstrapped Self-training [13.985488693082981]
  動作情報と外観情報を利用して高品質な物体分割マスクを生成する自己教師型物体発見手法を提案する。 複数の標準ビデオオブジェクトセグメンテーション、画像のサリエンシ検出、オブジェクトセグメンテーションベンチマークにおいて、LOCATEと呼ばれるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-08-22T07:27:09Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• Deep Spectral Methods: A Surprisingly Strong Baseline for Unsupervised Semantic Segmentation and Localization [98.46318529630109]
  画像分解をグラフ分割問題として再フレーミングすることで,従来のスペクトル分割法から着想を得た。 これらの固有ベクトルはすでにイメージを意味のあるセグメントに分解しており、シーン内のオブジェクトのローカライズに容易に利用できる。 データセットにまたがるこれらのセグメントに関連する機能をクラスタ化することで、明確に定義された、名前付き可能なリージョンを得ることができる。
  論文  参考訳（メタデータ） (2022-05-16T17:47:44Z)
• Finding an Unsupervised Image Segmenter in Each of Your Deep Generative Models [92.92095626286223]
  我々は,前景・後景画像分離に繋がる方向を求める自動手順を開発した。 これらの方向を用いて、人間の監督なしに画像分割モデルを訓練する。
  論文  参考訳（メタデータ） (2021-05-17T19:34:24Z)
• Self-supervised Human Detection and Segmentation via Multi-view Consensus [116.92405645348185]
  本稿では,トレーニング中に幾何学的制約を多視点一貫性という形で組み込むマルチカメラフレームワークを提案する。 本手法は,標準ベンチマークから視覚的に外れた画像に対して,最先端の自己監視的人物検出とセグメンテーション技術に勝ることを示す。
  論文  参考訳（メタデータ） (2020-12-09T15:47:21Z)
• Interpretable and Accurate Fine-grained Recognition via Region Grouping [14.28113520947247]
  微粒な視覚認識のための解釈可能な深層モデルを提案する。 私たちの手法の中核は、ディープニューラルネットワーク内での領域ベースの部分発見と帰属の統合です。 本研究は,分類タスクの最先端手法と比較した。
  論文  参考訳（メタデータ） (2020-05-21T01:18:26Z)

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。