論文の概要: Single-shot Path Integrated Panoptic Segmentation

• arxiv url: http://arxiv.org/abs/2012.01632v2
• Date: Fri, 4 Dec 2020 02:34:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-23 14:59:49.102634
• Title: Single-shot Path Integrated Panoptic Segmentation
• Title（参考訳）: 単発経路統合パンオプティカルセグメンテーション
• Authors: Sukjun Hwang, Seoung Wug Oh, Seon Joo Kim
• Abstract要約: 本稿では,実行フローを統合することで,単ショットでのパノプティクスのセグメンテーションを解決することを提案する。 Panoptic-Featureと呼ばれる統合された機能マップが生成される。 トップダウンとボトムアップの両方のアプローチの利点を生かして、SPINetと呼ばれる手法は、主要な汎視的セグメンテーションベンチマークにおいて高い効率と精度を享受する。
• 参考スコア（独自算出の注目度）: 32.07581018322105
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Panoptic segmentation, which is a novel task of unifying instance segmentation and semantic segmentation, has attracted a lot of attention lately. However, most of the previous methods are composed of multiple pathways with each pathway specialized to a designated segmentation task. In this paper, we propose to resolve panoptic segmentation in single-shot by integrating the execution flows. With the integrated pathway, a unified feature map called Panoptic-Feature is generated, which includes the information of both things and stuffs. Panoptic-Feature becomes more sophisticated by auxiliary problems that guide to cluster pixels that belong to the same instance and differentiate between objects of different classes. A collection of convolutional filters, where each filter represents either a thing or stuff, is applied to Panoptic-Feature at once, materializing the single-shot panoptic segmentation. Taking the advantages of both top-down and bottom-up approaches, our method, named SPINet, enjoys high efficiency and accuracy on major panoptic segmentation benchmarks: COCO and Cityscapes.
• Abstract（参考訳）: インスタンスのセグメンテーションとセマンティックセグメンテーションを統一する新しいタスクであるpanoptic segmentationが最近注目を集めている。 しかしながら、従来の手法のほとんどは、指定された分割タスクに特化した経路ごとに複数の経路から構成される。 本稿では,実行フローを統合することで,単ショットでのパノプティカルセグメンテーションを解決することを提案する。 統合された経路では、panoptic-featureと呼ばれる統合機能マップが生成され、物と物の両方の情報が含まれている。 パノプティカル・フィーチャーは、同じインスタンスに属するクラスタピクセルを誘導し、異なるクラスのオブジェクトを区別する補助的な問題によってより洗練される。 各フィルタが物または物を表す畳み込みフィルタのコレクションは、一度にパンオプティカル機能に適用され、シングルショットのパンオプティカルセグメンテーションが実現される。 トップダウンとボトムアップの両方のアプローチの利点を生かして、SPINetと呼ばれる手法は、COCOとCityscapesという主要な汎視的セグメンテーションベンチマークにおいて、高い効率と精度を享受する。

関連論文リスト

• Auxiliary Tasks Enhanced Dual-affinity Learning for Weakly Supervised Semantic Segmentation [79.05949524349005]
  AuxSegNet+は、サリエンシマップから豊富な情報を探索する弱教師付き補助学習フレームワークである。 また,サリエンシとセグメンテーションの特徴マップから画素レベルの親和性を学習するためのクロスタスク親和性学習機構を提案する。
  論文  参考訳（メタデータ） (2024-03-02T10:03:21Z)
• Unsupervised Universal Image Segmentation [59.0383635597103]
  本稿では,Unsupervised Universal Model (U2Seg) を提案する。 U2Segは、自己教師付きモデルを利用して、これらのセグメンテーションタスクの擬似意味ラベルを生成する。 次に、これらの擬似意味ラベル上でモデルを自己学習し、かなりの性能向上をもたらす。
  論文  参考訳（メタデータ） (2023-12-28T18:59:04Z)
• Open-world Semantic Segmentation via Contrasting and Clustering Vision-Language Embedding [95.78002228538841]
  本研究では,様々なオープンワールドカテゴリのセマンティックオブジェクトを高密度アノテーションを使わずにセマンティックオブジェクトのセマンティックオブジェクトのセマンティック化を学習するための,新しいオープンワールドセマンティック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。 提案手法は任意のカテゴリのオブジェクトを直接分割し、3つのベンチマークデータセット上でデータラベリングを必要とするゼロショットセグメンテーション法より優れている。
  論文  参考訳（メタデータ） (2022-07-18T09:20:04Z)
• Beyond the Prototype: Divide-and-conquer Proxies for Few-shot Segmentation [63.910211095033596]
  少ないショットのセグメンテーションは、少数の濃密なラベル付けされたサンプルのみを与えられた、目に見えないクラス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。 分割・分散の精神において, 単純かつ多目的な枠組みを提案する。 提案手法は、DCP(disvision-and-conquer proxies)と呼ばれるもので、適切な信頼性のある情報の開発を可能にする。
  論文  参考訳（メタデータ） (2022-04-21T06:21:14Z)
• Panoptic, Instance and Semantic Relations: A Relational Context Encoder to Enhance Panoptic Segmentation [45.89461725594674]
  このようなコンテキストを活用するために,Panoptic, Instance, and Semantic Relations (PISR) モジュールを提案する。 まず、セマンティッククラスと予測インスタンスの重要な特徴を要約するために、汎光学符号化を生成する。 その後、Panoptic Attention (PRA)モジュールが、バックボーンからエンコーディングとグローバルフィーチャーマップに適用される。 PISRはまた、より重要なインスタンスに焦点を当てることを自動的に学び、リレーショナルアテンションモジュールで使用されるインスタンスの数に対して堅牢になる。
  論文  参考訳（メタデータ） (2022-04-11T19:15:41Z)
• CFNet: Learning Correlation Functions for One-Stage Panoptic Segmentation [46.252118473248316]
  バックボーンの特徴を高めるために,まず,異なる場所のセマンティックレベルとインスタンスレベルの相関関係を推定することを提案する。 次に,改良された識別特徴をそれぞれ対応するセグメンテーションヘッドに供給する。 PQは45.1ドル%、ADE20kは32.6ドル%である。
  論文  参考訳（メタデータ） (2022-01-13T05:31:14Z)
• PointFlow: Flowing Semantics Through Points for Aerial Image Segmentation [96.76882806139251]
  本論文では,FPN(Feature Pyramid Network)フレームワークに基づく点親和性伝播モジュールであるPointFlowを提案する。 密接な親和性学習ではなく、隣接する特徴間の選択された点にスパース親和性マップを生成する。 3つの異なる空中セグメンテーションデータセットの実験結果から,提案手法は最先端の汎用セグメンテーション法よりも効率的かつ効率的であることが示唆された。
  論文  参考訳（メタデータ） (2021-03-11T09:42:32Z)
• Panoster: End-to-end Panoptic Segmentation of LiDAR Point Clouds [81.12016263972298]
  我々は,LiDAR点雲のための提案不要なパノプティックセグメンテーション手法であるパノスターを提案する。 従来のアプローチとは異なり、Panosterでは、インスタンスを識別するための学習ベースのクラスタリングソリューションを組み込んだ、シンプルなフレームワークを提案している。 推論時に、これはクラスに依存しないセグメンテーションとして機能し、パノスターは高速で、精度の点で先行メソッドよりも優れている。
  論文  参考訳（メタデータ） (2020-10-28T18:10:20Z)
• Learning Panoptic Segmentation from Instance Contours [9.347742071428918]
  Panopticpixel は、背景 (stuff) とオブジェクト (things) のインスタンスをピクセルレベルで理解することを目的としている。 セマンティックセグメンテーション(レベル分類)とインスタンスセグメンテーションの別々のタスクを組み合わせて、単一の統合されたシーン理解タスクを構築する。 セマンティックセグメンテーションとインスタンス輪郭からインスタンスセグメンテーションを学習する完全畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-10-16T03:05:48Z)
• BANet: Bidirectional Aggregation Network with Occlusion Handling for Panoptic Segmentation [30.008473359758632]
  Panoptic segmentationは、フォアグラウンドインスタンスのインスタンスセグメンテーションと、バックグラウンドオブジェクトのセマンティックセグメンテーションを同時に行うことを目的としている。 本稿では,双方向学習パイプラインに基づく新しい深部汎視的セグメンテーション手法を提案する。 COCOパン光学ベンチマーク実験の結果,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-03-31T08:57:14Z)

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。