論文の概要: SCNet: Training Inference Sample Consistency for Instance Segmentation

• arxiv url: http://arxiv.org/abs/2012.10150v1
• Date: Fri, 18 Dec 2020 10:26:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-01 18:12:20.285695
• Title: SCNet: Training Inference Sample Consistency for Instance Segmentation
• Title（参考訳）: SCNet: インスタンスセグメンテーションのためのトレーニング推論サンプル一貫性
• Authors: Thang Vu, Haeyong Kang, Chang D. Yoo
• Abstract要約: 本稿では、トレーニング時のサンプルのIoU分布が推論時のそれに近いことを確認するために、サンプル一貫性ネットワーク(SCNet)と呼ばれるアーキテクチャを提案する。 標準データセットを用いた実験では,ボックスAP,マスクAP,推論速度など,複数の評価指標に対して提案手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 15.963615360741356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cascaded architectures have brought significant performance improvement in object detection and instance segmentation. However, there are lingering issues regarding the disparity in the Intersection-over-Union (IoU) distribution of the samples between training and inference. This disparity can potentially exacerbate detection accuracy. This paper proposes an architecture referred to as Sample Consistency Network (SCNet) to ensure that the IoU distribution of the samples at training time is close to that at inference time. Furthermore, SCNet incorporates feature relay and utilizes global contextual information to further reinforce the reciprocal relationships among classifying, detecting, and segmenting sub-tasks. Extensive experiments on the standard COCO dataset reveal the effectiveness of the proposed method over multiple evaluation metrics, including box AP, mask AP, and inference speed. In particular, while running 38\% faster, the proposed SCNet improves the AP of the box and mask predictions by respectively 1.3 and 2.3 points compared to the strong Cascade Mask R-CNN baseline. Code is available at \url{https://github.com/thangvubk/SCNet}.
• Abstract（参考訳）: カスケードアーキテクチャは、オブジェクト検出とインスタンスセグメンテーションで大幅なパフォーマンス改善をもたらした。 しかし、IoU(Intersection-over-Union)のトレーニングと推論の間には、サンプルの分布の格差に関する大きな問題がある。 この差は検出精度を悪化させる可能性がある。 本稿では,学習時間におけるサンプルのiou分布が推定時間と近いことを保証するため,サンプル一貫性ネットワーク(scnet)と呼ばれるアーキテクチャを提案する。 さらに、SCNetは機能リレーを導入し、グローバルコンテキスト情報を利用して、サブタスクの分類、検出、セグメンテーションの相互関係をさらに強化する。 標準COCOデータセットに対する大規模な実験により,ボックスAP,マスクAP,推論速度など,複数の評価指標に対する提案手法の有効性が明らかになった。 特に,38\%高速動作中に提案するscnetは,強力なカスケードマスクr-cnnベースラインと比較して,箱のapとマスク予測をそれぞれ1.3ポイント,2.3ポイント向上させた。 コードは \url{https://github.com/thangvubk/SCNet} で入手できる。

関連論文リスト

• A Unified Transformer Framework for Group-based Segmentation: Co-Segmentation, Co-Saliency Detection and Video Salient Object Detection [59.21990697929617]
  人間は、ダイナミックな世界に住んでいるので、画像のグループやビデオのフレームから学ぶことによってオブジェクトをマイニングする傾向があります。 従来のアプローチでは、類似したタスクで異なるネットワークを個別に設計するが、互いに適用するのは困難である。 UFO(UnifiedObject Framework for Co-Object Framework)という,これらの問題に対処するための統一フレームワークを導入する。
  論文  参考訳（メタデータ） (2022-03-09T13:35:19Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• CATNet: Context AggregaTion Network for Instance Segmentation in Remote Sensing Images [26.399485634349727]
  特徴抽出のプロセスを改善するために,新しいコンテキスト集約ネットワーク(CATNet)を提案する。 提案モデルは,高密度特徴ピラミッドネットワーク(DenseFPN),空間コンテキストピラミッド(SCP),階層的関心抽出器(HRoIE)の3つの軽量プラグアンドプレイモジュールを利用する。 我々は,iSAID,DIOR,NWPU VHR-10,HRSIDデータセットに対する提案手法の広範な評価を行う。
  論文  参考訳（メタデータ） (2021-11-22T08:55:25Z)
• HS3: Learning with Proper Task Complexity in Hierarchically Supervised Semantic Segmentation [81.87943324048756]
  本稿では,タスクの複雑さによって意味のある表現を学習するためのセグメンテーションネットワークの中間層を監督するトレーニングスキームである階層的意味論(Hierarchically Supervised Semantic,HS3)を提案する。 提案するHS3-Fuseフレームワークはセグメンテーション予測をさらに改善し、2つの大きなセグメンテーションベンチマークであるNYUD-v2とCityscapesで最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-11-03T16:33:29Z)
• Learning Constraints and Descriptive Segmentation for Subevent Detection [74.48201657623218]
  本稿では,サブイベント検出とEventSeg予測の依存関係をキャプチャする制約を学習し,強制するアプローチを提案する。 我々は制約学習にRectifier Networksを採用し、学習した制約をニューラルネットワークの損失関数の正規化項に変換する。
  論文  参考訳（メタデータ） (2021-09-13T20:50:37Z)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)
• Multi-Source Domain Adaptation for Object Detection [52.87890831055648]
  我々は、Divide-and-Merge Spindle Network (DMSN)と呼ばれる、より高速なR-CNNベースのフレームワークを提案する。 DMSNはドメイン非ネイティブを同時に強化し、識別力を維持することができる。 擬似目標部分集合の最適パラメータを近似する新しい擬似学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-06-30T03:17:20Z)
• Structured DropConnect for Uncertainty Inference in Image Classification [19.22497677849603]
  本稿では,ディープニューラルネットワークの出力をディリクレ分布によってモデル化する構造化DropConnect (SDC) フレームワークを提案する。 提案したSDCは、特定の一般化能力と研究の展望を持つ異なるネットワーク構造に適応している。
  論文  参考訳（メタデータ） (2021-06-16T08:31:14Z)
• supervised adptive threshold network for instance segmentation [4.347876036795798]
  適応しきい値に基づくマスクR-CNN法 層状適応ネットワーク構造 アダプティブ・フィーチャー・プール ベンチマークデータセットの実験から,提案モデルの有効性が示唆された。
  論文  参考訳（メタデータ） (2021-06-07T09:25:44Z)

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。