論文の概要: Superpixel-based Refinement for Object Proposal Generation
- arxiv url: http://arxiv.org/abs/2101.04574v1
- Date: Tue, 12 Jan 2021 16:06:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 07:54:55.434192
- Title: Superpixel-based Refinement for Object Proposal Generation
- Title（参考訳）: オブジェクト提案生成のためのスーパーピクセルベースリファインメント
- Authors: Christian Wilms and Simone Frintrop
- Abstract要約: 最新のオブジェクトプロポーザルシステムAttentionMask上に、新しいスーパーピクセルベースの改良アプローチを導入します。
実験の結果,AttentionMaskに比べて平均リコール率26.4%の改善が見られた。
- 参考スコア（独自算出の注目度）: 3.1981440103815717
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Precise segmentation of objects is an important problem in tasks like
class-agnostic object proposal generation or instance segmentation. Deep
learning-based systems usually generate segmentations of objects based on
coarse feature maps, due to the inherent downsampling in CNNs. This leads to
segmentation boundaries not adhering well to the object boundaries in the
image. To tackle this problem, we introduce a new superpixel-based refinement
approach on top of the state-of-the-art object proposal system AttentionMask.
The refinement utilizes superpixel pooling for feature extraction and a novel
superpixel classifier to determine if a high precision superpixel belongs to an
object or not. Our experiments show an improvement of up to 26.0% in terms of
average recall compared to original AttentionMask. Furthermore, qualitative and
quantitative analyses of the segmentations reveal significant improvements in
terms of boundary adherence for the proposed refinement compared to various
deep learning-based state-of-the-art object proposal generation systems.
- Abstract（参考訳）: オブジェクトの正確なセグメンテーションは、クラスに依存しないオブジェクトの提案生成やインスタンスセグメンテーションといったタスクにおいて重要な問題である。
ディープラーニングベースのシステムは通常、cnnの固有のダウンサンプリングのため、粗い特徴マップに基づいてオブジェクトのセグメンテーションを生成する。
これにより、画像内のオブジェクト境界に順応しないセグメンテーション境界が導かれる。
そこで本研究では,最新のオブジェクト提案システムであるAttentionMask上に,新たなスーパーピクセルベースの改良手法を提案する。
特徴抽出にスーパーピクセルプーリングと、新しいスーパーピクセル分類器を用いて、高精度スーパーピクセルが対象物に属しているか否かを判定する。
実験の結果,AttentionMaskに比べて平均リコール率では最大26.0%の改善が見られた。
さらに, セグメンテーションの質的, 定量的分析により, 様々な深層学習に基づくオブジェクト提案生成システムと比較して, 改良のための境界の定着度が著しく向上した。
関連論文リスト
- Self-Supervised Video Object Segmentation via Cutout Prediction and
Tagging [117.73967303377381]
本稿では, 自己教師型ビデオオブジェクト(VOS)アプローチを提案する。
本手法は,対象情報と背景情報の両方を考慮した識別学習損失の定式化に基づく。
提案手法であるCT-VOSは, DAVIS-2017 と Youtube-VOS の2つの挑戦的なベンチマークにおいて,最先端の結果を達成している。
論文 参考訳（メタデータ） (2022-04-22T17:53:27Z) - Efficient Multiscale Object-based Superpixel Framework [62.48475585798724]
我々は,SICLE(Iterative CLEarcutting)によるスーパーピクセルという,新しいスーパーピクセルフレームワークを提案する。
SICLEは、複数スケールのセグメンテーションをオンザフライで生成できるオブジェクト情報を利用する。
これは最近のスーパーピクセル法を一般化し、複数のデライン化指標に従って効率と効率性に関する最先端のアプローチを超越している。
論文 参考訳（メタデータ） (2022-04-07T15:59:38Z) - High-resolution Iterative Feedback Network for Camouflaged Object
Detection [128.893782016078]
カモフラージュされたオブジェクトを背景に視覚的に同化させることは、オブジェクト検出アルゴリズムにとって難しい。
エッジやバウンダリのぼやけた視界を生じさせる細部劣化を避けるために,高分解能テクスチャの詳細を抽出することを目的としている。
我々は,高解像度特徴量による低解像度表現を反復的フィードバック方式で洗練する新しいHitNetを提案する。
論文 参考訳（メタデータ） (2022-03-22T11:20:21Z) - AF$_2$: Adaptive Focus Framework for Aerial Imagery Segmentation [86.44683367028914]
航空画像のセグメンテーションにはいくつかの独特な課題があり、中でも最も重要なものは前景と背景のアンバランスにある。
本稿では,階層的なセグメンテーション手法を採用し,マルチスケール表現を適応的に活用するAdaptive Focus Framework (AF$)を提案する。
AF$は、広く使われている3つの航空ベンチマークの精度を大幅に改善した。
論文 参考訳（メタデータ） (2022-02-18T10:14:45Z) - DeepFH Segmentations for Superpixel-based Object Proposal Refinement [3.1981440103815717]
本稿では,オブジェクト提案生成システムのためのスーパーピクセルベースリファインメントシステムを提案する。
エンド・ツー・エンドの学習システムで初期粗い提案を洗練する。
新たなDeepFHセグメンテーションは、FelzenszwalbとHuttenlocher(FH)セグメンテーションを深い特徴で強化する。
論文 参考訳（メタデータ） (2021-08-07T19:13:45Z) - A Novel Upsampling and Context Convolution for Image Semantic
Segmentation [0.966840768820136]
最近のセマンティックセグメンテーションの方法は、しばしば深い畳み込みニューラルネットワークを用いたエンコーダデコーダ構造を採用している。
ネットワーク内の画像の空間情報を効率的に保存するために,ガイドフィルタに基づく高密度アップサンプリング畳み込み法を提案する。
ADE20KとPascal-Contextのベンチマークデータセットでは,それぞれ82.86%,81.62%の画素精度を記録した。
論文 参考訳（メタデータ） (2021-03-20T06:16:42Z) - Meticulous Object Segmentation [37.48446050876045]
Meticulous Object segmentation (MOS) というタスクを提案し,検討する。
MeticulousNetは専用のデコーダを使用してオブジェクト境界の詳細をキャプチャする。
我々は,MeticulousNetが画素精度のセグメンテーション境界を明確化できることを示す実証的証拠を提供する。
論文 参考訳（メタデータ） (2020-12-13T23:38:40Z) - A Multi-Level Approach to Waste Object Segmentation [10.20384144853726]
カラー画像とオプションの深度画像から廃棄物を局所化する問題に対処する。
本手法は,複数の空間的粒度レベルでの強度と深度情報を統合する。
我々は, この領域における今後の研究を促進するために, 新たなRGBD廃棄物分節MJU-Wasteを作成している。
論文 参考訳（メタデータ） (2020-07-08T16:49:25Z) - Refined Plane Segmentation for Cuboid-Shaped Objects by Leveraging Edge
Detection [63.942632088208505]
本稿では,セグメント化された平面マスクを画像に検出されたエッジと整列するための後処理アルゴリズムを提案する。
これにより、立方体形状の物体に制限を加えながら、最先端のアプローチの精度を高めることができます。
論文 参考訳（メタデータ） (2020-03-28T18:51:43Z) - Object-Centric Image Generation from Layouts [93.10217725729468]
複数のオブジェクトを持つ複雑なシーンを生成するレイアウト・ツー・イメージ生成法を開発した。
本手法は,シーン内のオブジェクト間の空間的関係の表現を学習し,レイアウトの忠実度の向上につながる。
本稿では,Fr'echet Inception Distanceのオブジェクト中心適応であるSceneFIDを紹介する。
論文 参考訳（メタデータ） (2020-03-16T21:40:09Z)
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。