論文の概要: BiOpt: Bi-Level Optimization for Few-Shot Segmentation

• arxiv url: http://arxiv.org/abs/2011.11245v1
• Date: Mon, 23 Nov 2020 07:09:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 02:20:54.772870
• Title: BiOpt: Bi-Level Optimization for Few-Shot Segmentation
• Title（参考訳）: BiOpt:Few-Shotセグメンテーションのためのバイレベル最適化
• Authors: Jinlu Liu and Liang Song and Yongqiang Qin
• Abstract要約: Few-shotのセグメンテーションは、サポートイメージが不足しているため、新しいクラスのオブジェクトをセグメンテーションすることを目的としている。 本稿では,提案するBi-level Optimization (BiOpt)を提案する。
• 参考スコア（独自算出の注目度）: 8.108571247838208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot segmentation is a challenging task that aims to segment objects of new classes given scarce support images. In the inductive setting, existing prototype-based methods focus on extracting prototypes from the support images; however, they fail to utilize semantic information of the query images. In this paper, we propose Bi-level Optimization (BiOpt), which succeeds to compute class prototypes from the query images under inductive setting. The learning procedure of BiOpt is decomposed into two nested loops: inner and outer loop. On each task, the inner loop aims to learn optimized prototypes from the query images. An init step is conducted to fully exploit knowledge from both support and query features, so as to give reasonable initialized prototypes into the inner loop. The outer loop aims to learn a discriminative embedding space across different tasks. Extensive experiments on two benchmarks verify the superiority of our proposed BiOpt algorithm. In particular, we consistently achieve the state-of-the-art performance on 5-shot PASCAL-$5^i$ and 1-shot COCO-$20^i$.
• Abstract（参考訳）: Few-shotのセグメンテーションは、サポートイメージが不足しているため、新しいクラスのオブジェクトをセグメンテーションすることを目的としている。 インダクティブな設定では、既存のプロトタイプベースの手法では、サポートイメージからプロトタイプを抽出することに重点を置いているが、クエリ画像の意味情報を利用できない。 本稿では,問合せ画像からのクラスプロトタイプの計算をインダクティブ設定で成功させるbi-level optimization (biopt)を提案する。 BiOptの学習手順は、内ループと外ループの2つのネストループに分解される。 それぞれのタスクにおいて、インナーループはクエリイメージから最適化されたプロトタイプを学習することを目的としている。 initのステップは、サポート機能とクエリ機能の両方からの知識を十分に活用し、適切な初期化プロトタイプを内部ループに提供するために行われる。 外ループは、異なるタスクにまたがる識別的埋め込み空間を学ぶことを目的としている。 提案したBiOptアルゴリズムの優位性を2つのベンチマークで検証した。 特に,5-shot PASCAL-$5^i$と1-shot COCO-$20^i$の最先端性能を一貫して達成する。

関連論文リスト

• Self-Regularized Prototypical Network for Few-Shot Semantic Segmentation [31.445316481839335]
  本稿では, プロトタイプ抽出に基づく自己正規化ネットワーク(SRPNet)を用いて, サポート情報のより良い活用を目的とした数ショットセグメンテーションに取り組む。 サポートセットの直接的かつ効果的なプロトタイプ正規化は、SRPNetで提案され、生成されたプロトタイプはサポートセット自身で評価され、正規化される。 提案するSRPNetは,1ショットと5ショットのセグメンテーションベンチマークにおいて,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-10-30T12:43:07Z)
• APANet: Adaptive Prototypes Alignment Network for Few-Shot Semantic Segmentation [56.387647750094466]
  Few-shotのセマンティックセマンティックセマンティクスは、指定されたクエリイメージに、ラベル付きサポートイメージのみで、新規クラスのオブジェクトをセグメントすることを目的としている。 ほとんどの高度なソリューションは、各クエリ機能を学習したクラス固有のプロトタイプにマッチさせることでセグメンテーションを実行するメトリクス学習フレームワークを利用している。 本稿では,クラス固有およびクラス非依存のプロトタイプを導入することで,適応型プロトタイプ表現を提案する。
  論文  参考訳（メタデータ） (2021-11-24T04:38:37Z)
• Joint Inductive and Transductive Learning for Video Object Segmentation [107.32760625159301]
  半教師付きオブジェクトセグメンテーションは、第1フレームのマスクだけを与えられたビデオシーケンスで対象オブジェクトをセグメンテーションするタスクである。 過去の最も優れた手法は、マッチングベースの帰納的推論やオンライン帰納的学習を採用していた。 本稿では,トランスダクティブ学習とインダクティブ学習を統合したフレームワークに統合し,それら間の補完を利用して,高精度かつ堅牢なビデオオブジェクトセグメンテーションを提案する。
  論文  参考訳（メタデータ） (2021-08-08T16:25:48Z)
• SCNet: Enhancing Few-Shot Semantic Segmentation by Self-Contrastive Background Prototypes [56.387647750094466]
  Few-shot セマンティックセマンティックセマンティクスは,クエリイメージ内の新規クラスオブジェクトを,アノテーション付きの例で分割することを目的としている。 先進的なソリューションのほとんどは、各ピクセルを学習した前景のプロトタイプに合わせることでセグメンテーションを行うメトリクス学習フレームワークを利用している。 このフレームワークは、前景プロトタイプのみとのサンプルペアの不完全な構築のために偏った分類に苦しんでいます。
  論文  参考訳（メタデータ） (2021-04-19T11:21:47Z)
• Semantically Meaningful Class Prototype Learning for One-Shot Image Semantic Segmentation [58.96902899546075]
  ワンショットセマンティックイメージセグメンテーションは、1つの注釈付きイメージで新しいクラスのオブジェクト領域を分割することを目的としている。 最近の研究では、テスト時に予想される状況を模倣するために、エピソディクストレーニング戦略を採用している。 エピソードトレーニングにおいて,マルチクラスラベル情報を活用することを提案する。 ネットワークが各カテゴリに対してより意味のある機能を生成するように促すだろう。
  論文  参考訳（メタデータ） (2021-02-22T12:07:35Z)
• Part-aware Prototype Network for Few-shot Semantic Segmentation [50.581647306020095]
  本稿では,プロトタイプ表現に基づく新規な数ショットセマンティックセマンティックセマンティクスフレームワークを提案する。 私たちのキーとなるアイデアは、全体論的なクラス表現を、部分認識型プロトタイプのセットに分解することです。 提案する部分認識型プロトタイプを生成・拡張する新しいグラフニューラルネットワークモデルを開発した。
  論文  参考訳（メタデータ） (2020-07-13T11:03:09Z)
• Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
  Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。 既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。 本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
  論文  参考訳（メタデータ） (2020-04-12T03:53:53Z)
• Prototype Refinement Network for Few-Shot Segmentation [6.777019450570474]
  本稿では,プロトタイプ・リファインメント・ネットワーク(PRNet)を提案する。 まず、既知のクラスのサポートとクエリの両方からプロトタイプを双方向に抽出することを学ぶ。 PRNetは1ショット設定で13.1%という大きなマージンで既存の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2020-02-10T07:06:09Z)

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。