論文の概要: CycleSegNet: Object Co-segmentation with Cycle Refinement and Region
Correspondence
- arxiv url: http://arxiv.org/abs/2101.01308v1
- Date: Tue, 5 Jan 2021 01:35:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-11 11:35:57.900554
- Title: CycleSegNet: Object Co-segmentation with Cycle Refinement and Region
Correspondence
- Title(参考訳): CycleSegNet: サイクルリファインメントと領域対応によるオブジェクトのコセグメンテーション
- Authors: Guankai Li, Chi Zhang, Guosheng Lin
- Abstract要約: cyclesegnetは共同セグメンテーションタスクのための新しいフレームワークである。
提案手法は既存のネットワークを著しく上回り,新しい最先端性能を実現する。
- 参考スコア(独自算出の注目度): 44.811987693952965
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image co-segmentation is an active computer vision task which aims to segment
the common objects in a set of images. Recently, researchers design various
learning-based algorithms to handle the co-segmentation task. The main
difficulty in this task is how to effectively transfer information between
images to infer the common object regions. In this paper, we present
CycleSegNet, a novel framework for the co-segmentation task. Our network design
has two key components: a region correspondence module which is the basic
operation for exchanging information between local image regions, and a cycle
refinement module which utilizes ConvLSTMs to progressively update image
embeddings and exchange information in a cycle manner. Experiment results on
four popular benchmark datasets -- PASCAL VOC dataset, MSRC dataset, Internet
dataset and iCoseg dataset demonstrate that our proposed method significantly
outperforms the existing networks and achieves new state-of-the-art
performance.
- Abstract(参考訳): イメージコセグメンテーション(image co-segmentation)は、イメージの集合内の共通オブジェクトを分割することを目的とした、アクティブなコンピュータビジョンタスクである。
近年,協調作業に対処する学習アルゴリズムが開発されている。
このタスクの主な困難は、画像間の情報を効果的に転送し、共通のオブジェクト領域を推測する方法である。
本稿では,協調作業のための新しいフレームワークであるCycleSegNetを紹介する。
ネットワーク設計には,ローカル画像領域間で情報を交換するための基本操作である領域対応モジュールと,ConvLSTMを用いて画像埋め込みや情報交換を段階的に更新するサイクル改善モジュールの2つの重要な要素がある。
PASCAL VOCデータセット,MSRCデータセット,インターネットデータセット,iCosegデータセットの4つの一般的なベンチマークデータセットの実験結果から,提案手法が既存のネットワークを著しく上回り,新たな最先端性能を実現することを示す。
関連論文リスト
- Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。
従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。
本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文 参考訳(メタデータ) (2023-12-19T08:14:14Z) - COMNet: Co-Occurrent Matching for Weakly Supervised Semantic
Segmentation [13.244183864948848]
我々は,CAMの品質を向上し,オブジェクトの全体に対して注意を払うためにネットワークを強制する,新しいコオカレントマッチングネットワーク(COMNet)を提案する。
具体的には、共通クラスを含むペア画像のマッチングを行い、対応する領域を強化し、単一の画像上にマッチングを構築し、対象領域を横断する意味的特徴を伝達する。
The experiment on the Pascal VOC 2012 and MS-COCO datasets shows our network can effective boost the performance of the baseline model and a new-of-the-art performance。
論文 参考訳(メタデータ) (2023-09-29T03:55:24Z) - Deep Attention Unet: A Network Model with Global Feature Perception
Ability [12.087640144194246]
本稿では,チャネル自己注意機構と残差接続に基づく新しいタイプのUNet画像分割アルゴリズムを提案する。
私の実験では、新しいネットワークモデルは、FoodNetデータセット上の従来のUNetと比較して、mIOUを2.48%改善しました。
論文 参考訳(メタデータ) (2023-04-21T09:12:29Z) - CRCNet: Few-shot Segmentation with Cross-Reference and Region-Global
Conditional Networks [59.85183776573642]
少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。
複数ショットセグメンテーションのためのクロスリファレンス・ローカル・グローバル・ネットワーク(CRCNet)を提案する。
我々のネットワークは、相互参照機構により、2つの画像に共起する物体をよりよく見つけることができる。
論文 参考訳(メタデータ) (2022-08-23T06:46:18Z) - Few-shot Segmentation with Optimal Transport Matching and Message Flow [50.9853556696858]
サポート情報を完全に活用するためには、少数ショットのセマンティックセマンティックセグメンテーションが不可欠である。
本稿では,最適輸送マッチングモジュールを備えた通信マッチングネットワーク(CMNet)を提案する。
PASCAL VOC 2012、MS COCO、FSS-1000データセットによる実験により、我々のネットワークは最新の数ショットセグメンテーション性能を新たに達成した。
論文 参考訳(メタデータ) (2021-08-19T06:26:11Z) - Interactive Video Object Segmentation Using Global and Local Transfer
Modules [51.93009196085043]
我々はアノテーションネットワーク(A-Net)と転送ネットワーク(T-Net)からなるディープニューラルネットワークを開発する。
A-Netは、フレーム上のユーザ記述を前提として、エンコーダ-デコーダアーキテクチャに基づいたセグメンテーション結果を生成する。
ユーザスクリブルをエミュレートし,補助的な損失を生かして,ネットワーク全体を2段階に分けてトレーニングする。
論文 参考訳(メタデータ) (2020-07-16T06:49:07Z) - CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。
相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。
PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2020-03-24T04:55:43Z)
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。