論文の概要: Unifying Instance and Panoptic Segmentation with Dynamic Rank-1 Convolutions

• arxiv url: http://arxiv.org/abs/2011.09796v1
• Date: Thu, 19 Nov 2020 12:42:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 21:07:34.038086
• Title: Unifying Instance and Panoptic Segmentation with Dynamic Rank-1 Convolutions
• Title（参考訳）: 動的ランク1畳み込みによるインスタンスとパノプティックセグメンテーションの統一
• Authors: Hao Chen, Chunhua Shen, Zhi Tian
• Abstract要約: DR1Maskは、インスタンスとセマンティックセグメンテーションの両方で共有機能マップを利用する最初のパノプティクスセグメンテーションフレームワークである。 副産物として、DR1Maskは従来の最先端のインスタンスセグメンテーションネットワークであるBlendMaskよりも10%高速で1ポイント精度が高い。
• 参考スコア（独自算出の注目度）: 109.2706837177222
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recently, fully-convolutional one-stage networks have shown superior performance comparing to two-stage frameworks for instance segmentation as typically they can generate higher-quality mask predictions with less computation. In addition, their simple design opens up new opportunities for joint multi-task learning. In this paper, we demonstrate that adding a single classification layer for semantic segmentation, fully-convolutional instance segmentation networks can achieve state-of-the-art panoptic segmentation quality. This is made possible by our novel dynamic rank-1 convolution (DR1Conv), a novel dynamic module that can efficiently merge high-level context information with low-level detailed features which is beneficial for both semantic and instance segmentation. Importantly, the proposed new method, termed DR1Mask, can perform panoptic segmentation by adding a single layer. To our knowledge, DR1Mask is the first panoptic segmentation framework that exploits a shared feature map for both instance and semantic segmentation by considering both efficacy and efficiency. Not only our framework is much more efficient -- twice as fast as previous best two-branch approaches, but also the unified framework opens up opportunities for using the same context module to improve the performance for both tasks. As a byproduct, when performing instance segmentation alone, DR1Mask is 10% faster and 1 point in mAP more accurate than previous state-of-the-art instance segmentation network BlendMask. Code is available at: https://git.io/AdelaiDet
• Abstract（参考訳）: 近年、完全畳み込み型1段階ネットワークは、例えばセグメンテーションのような2段階フレームワークに比べて優れた性能を示しており、計算量が少なく高品質のマスク予測を生成できる。 さらに、彼らのシンプルなデザインは、共同マルチタスク学習の新しい機会を開く。 本稿では, セマンティックセグメンテーションのための単一分類層, 完全畳み込みインスタンスセグメンテーションネットワークが, 最先端のパン光学セグメンテーション品質を実現することを実証する。 これは、セマンティックとインスタンスセグメンテーションの両方に有用な低レベルの詳細な特徴と高レベルのコンテキスト情報を効率的にマージできる新しい動的モジュールであるDR1Convによって実現されている。 重要な点として,提案手法であるdr1maskでは,単一層を付加することでパノプティカルセグメンテーションを行うことができる。 我々の知る限り、DR1Maskは、インスタンスとセマンティックセマンティックセマンティクスの両方の共有機能マップを有効性と効率の両方を考慮して活用する最初の単眼セマンティクスフレームワークである。 私たちのフレームワークの方がずっと効率的です -- 以前の最高の2つの分岐アプローチの2倍の速度ですが、統一されたフレームワークは、両方のタスクのパフォーマンスを改善するために同じコンテキストモジュールを使用する機会を開きます。 副産物として、インスタンスセグメンテーションのみを実行する場合、DR1Maskは従来の最先端のインスタンスセグメンテーションネットワークであるBlendMaskよりも10%高速で1ポイント精度が高い。 コードは、https://git.io/AdelaiDet.comで入手できる。

関連論文リスト

• OMG-Seg: Is One Model Good Enough For All Segmentation? [83.17068644513144]
  OMG-Segは、タスク固有のクエリと出力を持つトランスフォーマーベースのエンコーダデコーダアーキテクチャである。 OMG-Segは10以上の異なるセグメンテーションタスクをサポートできるが、計算とパラメータのオーバーヘッドを大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2024-01-18T18:59:34Z)
• Synthetic Instance Segmentation from Semantic Image Segmentation Masks [15.477053085267404]
  我々は、Synthetic Instance(SISeg)と呼ばれる新しいパラダイムを提案する。 SISegインスタンスセグメンテーションの結果は、既存のセマンティックセグメンテーションモデルによって生成されたイメージマスクを活用する。 言い換えれば、提案モデルは余分な人力や高い計算コストを必要としない。
  論文  参考訳（メタデータ） (2023-08-02T05:13:02Z)
• Scaling up Multi-domain Semantic Segmentation with Sentence Embeddings [81.09026586111811]
  ゼロショット設定に適用した場合、最先端の教師付き性能を実現するセマンティックセマンティックセマンティクスへのアプローチを提案する。 これは各クラスラベルを、クラスを記述する短い段落のベクトル値の埋め込みに置き換えることによって達成される。 結果として得られた200万以上の画像の統合セマンティックセグメンテーションデータセットは、7つのベンチマークデータセット上の最先端の教師付きメソッドと同等のパフォーマンスを達成するモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-02-04T07:19:09Z)
• SOLO: A Simple Framework for Instance Segmentation [84.00519148562606]
  インスタンスカテゴリ"は、インスタンスの場所に応じて、インスタンス内の各ピクセルにカテゴリを割り当てる。 SOLO"は、強力なパフォーマンスを備えたインスタンスセグメンテーションのための、シンプルで、直接的で、高速なフレームワークです。 提案手法は, 高速化と精度の両面から, 実例分割の最先端結果を実現する。
  論文  参考訳（メタデータ） (2021-06-30T09:56:54Z)
• Instance and Panoptic Segmentation Using Conditional Convolutions [96.7275593916409]
  本稿では,CondInst と呼ばれる,シンプルで効果的な光学的セグメンテーションフレームワークを提案する。 我々は、CondInstがインスタンス分割タスクと単眼セグメンテーションタスクの両方において精度と推論速度を向上できることを示す。
  論文  参考訳（メタデータ） (2021-02-05T06:57:02Z)
• Conditional Convolutions for Instance Segmentation [109.2706837177222]
  我々はCondInstと呼ばれるシンプルだが効果的なインスタンスセグメンテーションフレームワークを提案する。 インスタンスに条件付き動的インスタンス認識ネットワークを採用しています。 本稿では,精度と推論速度の両面で性能の向上を実現するための,より単純なインスタンス分割法を示す。
  論文  参考訳（メタデータ） (2020-03-12T08:42:36Z)

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。