論文の概要: Prior to Segment: Foreground Cues for Weakly Annotated Classes in Partially Supervised Instance Segmentation

• arxiv url: http://arxiv.org/abs/2011.11787v2
• Date: Sat, 10 Apr 2021 22:29:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 02:48:21.218552
• Title: Prior to Segment: Foreground Cues for Weakly Annotated Classes in Partially Supervised Instance Segmentation
• Title（参考訳）: セグメンテーションの前:部分教師付きインスタンスセグメンテーションにおける弱アノテートクラスのための前景キュー
• Authors: David Biertimpel, Sindi Shkodrani, Anil S. Baslamisli and N\'ora Baka
• Abstract要約: 部分教師付きインスタンスセグメンテーションは、より豊富な弱いボックスラベルを利用することで、限られたマスクラベルによるマスク予測を改善することを目的としている。 部分教師付きインスタンスセグメンテーションで一般的に使用されるクラス非依存マスクヘッドは,弱アノテーションクラスに対する一般的な前景概念の学習が困難であることを示す。 我々は,すべてのクラスを監督するボックス分類ヘッドによって暗黙的に学習される前景の一般的な概念をマスクヘッドに提供する,OMP(object mask prior)を導入する。
• 参考スコア（独自算出の注目度）: 3.192503074844774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Instance segmentation methods require large datasets with expensive and thus limited instance-level mask labels. Partially supervised instance segmentation aims to improve mask prediction with limited mask labels by utilizing the more abundant weak box labels. In this work, we show that a class agnostic mask head, commonly used in partially supervised instance segmentation, has difficulties learning a general concept of foreground for the weakly annotated classes using box supervision only. To resolve this problem we introduce an object mask prior (OMP) that provides the mask head with the general concept of foreground implicitly learned by the box classification head under the supervision of all classes. This helps the class agnostic mask head to focus on the primary object in a region of interest (RoI) and improves generalization to the weakly annotated classes. We test our approach on the COCO dataset using different splits of strongly and weakly supervised classes. Our approach significantly improves over the Mask R-CNN baseline and obtains competitive performance with the state-of-the-art, while offering a much simpler architecture.
• Abstract（参考訳）: インスタンスセグメンテーションメソッドは、高価なため、インスタンスレベルのマスクラベルが制限された大きなデータセットを必要とする。 部分教師付きインスタンスセグメンテーションは、より豊富な弱いボックスラベルを利用することで、マスクラベルによるマスク予測を改善することを目的としている。 本研究は,部分教師付きインスタンスセグメンテーションで一般的に使用されるクラス非依存マスクヘッドにおいて,ボックス・インスペクションのみを用いた弱注釈クラスにおける前景概念の学習が困難であることを示す。 この問題を解決するために,全クラスを監督するボックス分類責任者が暗黙的に学習するフォアグラウンドという概念をマスクヘッドに提供するオブジェクトマスクプリエント(omp)を導入する。 これにより、クラス非依存マスクヘッドは興味のある領域(RoI)の一次対象に集中することができ、弱アノテーション付きクラスへの一般化を改善することができる。 我々は、強い教師付きクラスと弱い教師付きクラスの異なる分割を用いて、COCOデータセットに対するアプローチをテストする。 提案手法は,Mask R-CNNベースラインよりも大幅に改善され,最先端技術との競争性能が向上し,よりシンプルなアーキテクチャを提供する。

関連論文リスト

• MaskUno: Switch-Split Block For Enhancing Instance Segmentation [0.0]
  マスク予測を洗練されたROIを処理し、それらを分類し、特定のマスク予測者に割り当てるスイッチスプリットブロックに置き換えることを提案する。 平均平均精度(mAP)が2.03%上昇し,80クラスにおいて高い成績を示した。
  論文  参考訳（メタデータ） (2024-07-31T10:12:14Z)
• Mask-free OVIS: Open-Vocabulary Instance Segmentation without Manual Mask Annotations [86.47908754383198]
  Open-Vocabulary (OV) 法は、大規模な画像キャプチャペアと視覚言語モデルを利用して、新しいカテゴリを学習する。 提案手法は,イメージキャプションペアに存在するオブジェクトに対して,事前学習された視覚言語モデルの局所化能力を活用することで,擬似マスクアノテーションを生成する。 擬似マスクを用いてトレーニングした手法は,MS-COCOデータセットとOpenImagesデータセットのmAPスコアを大幅に改善する。
  論文  参考訳（メタデータ） (2023-03-29T17:58:39Z)
• Discovering Object Masks with Transformers for Unsupervised Semantic Segmentation [75.00151934315967]
  MaskDistillは教師なしセマンティックセグメンテーションのための新しいフレームワークである。 我々のフレームワークは、低レベルの画像キューにラッチを付けず、オブジェクト中心のデータセットに限らない。
  論文  参考訳（メタデータ） (2022-06-13T17:59:43Z)
• What You See is What You Classify: Black Box Attributions [61.998683569022006]
  我々は、トレーニング済みのブラックボックス分類器であるExpplanandumの属性を予測するために、ディープネットワークであるExplainerを訓練する。 既存のほとんどのアプローチとは異なり、我々の手法はクラス固有のマスクを直接生成することができる。 我々の属性は、視覚的および定量的に確立された方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-23T12:30:04Z)
• ContrastMask: Contrastive Learning to Segment Every Thing [18.265503138997794]
  ContrastMaskを提案する。これは、目に見えないカテゴリと見えないカテゴリの両方でマスクセグメンテーションモデルを学ぶ。 仮面地域(地上)の特徴をまとめ、背景の特徴と対比する。 COCOデータセットの探索実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-18T07:41:48Z)
• Per-Pixel Classification is Not All You Need for Semantic Segmentation [184.2905747595058]
  マスク分類はセマンティックレベルのセグメンテーションタスクとインスタンスレベルのセグメンテーションタスクの両方を解くのに十分一般的である。 マスクの集合を予測する単純なマスク分類モデルであるMaskFormerを提案する。 提案手法は,現在の最先端セマンティック(ADE20Kでは55.6 mIoU)とパノプティックセグメンテーション(COCOでは52.7 PQ)モデルの両方に優れる。
  論文  参考訳（メタデータ） (2021-07-13T17:59:50Z)
• 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)
• Weakly-supervised Instance Segmentation via Class-agnostic Learning with Salient Images [34.498542318157284]
  弱教師付きインスタンスセグメンテーションのためのbox-supervised class-agnostic object segmentation (boxcaseg) ベースのソリューションを提案する。 BoxCasegモデルは、マルチタスクの学習方法でボックス監視画像とサリエント画像を使用して共同トレーニングされます。 弱い教師付きMask R-CNNはPASCAL VOC上の完全に教師付きMask R-CNNと同等であり、COCO上の最先端のボックス管理インスタンスセグメンテーション手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-04-04T03:01:52Z)
• The surprising impact of mask-head architecture on novel class segmentation [27.076315496682444]
  マスクヘッドのアーキテクチャは,トレーニング中にマスクを観察しないクラスへの一般化において,驚くほど重要な役割を担っている。 また,マスクヘッドアーキテクチャを選択すれば,従来の文献で提案された特別なモジュールや損失を必要とせずに,部分的に監督されたCOCOベンチマーク上でSOTA結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-04-01T16:46:37Z)
• Learning Class-Agnostic Pseudo Mask Generation for Box-Supervised Semantic Segmentation [156.9155100983315]
  ボックス教師付きセマンティクスセグメンテーションに合わせた,より正確な学習ベースのクラス非依存な擬似マスクジェネレータを求める。 この方法は、ボックス監視モデルとフル監視モデルの間のパフォーマンスギャップをさらに埋めることができます。
  論文  参考訳（メタデータ） (2021-03-09T14:54:54Z)

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。