論文の概要: Active Boundary Loss for Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2102.02696v1
• Date: Thu, 4 Feb 2021 15:47:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-05 16:26:12.313865
• Title: Active Boundary Loss for Semantic Segmentation
• Title（参考訳）: セマンティックセグメンテーションのためのアクティブ境界損失
• Authors: Chi Wang, Yunke Zhang, Miaomiao Cui, Jinlin Liu, Peiran Ren, Yin Yang, Xuansong Xie, XianSheng Hua, Hujun Bao, Weiwei Xu
• Abstract要約: 本稿では,セマンティックセグメンテーションのための新しいアクティブ境界損失を提案する。 エンド・ツー・エンドのトレーニングにおいて、予測境界とグランド・トゥルース・バウンダリのアライメントを徐々に促進することができる。 実験結果から, アクティブ境界損失によるトレーニングは, 境界Fスコアと平均インターセクションオーバ・ユニオンを効果的に改善できることが示された。
• 参考スコア（独自算出の注目度）: 58.72057610093194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a novel active boundary loss for semantic segmentation. It can progressively encourage the alignment between predicted boundaries and ground-truth boundaries during end-to-end training, which is not explicitly enforced in commonly used cross-entropy loss. Based on the predicted boundaries detected from the segmentation results using current network parameters, we formulate the boundary alignment problem as a differentiable direction vector prediction problem to guide the movement of predicted boundaries in each iteration. Our loss is model-agnostic and can be plugged into the training of segmentation networks to improve the boundary details. Experimental results show that training with the active boundary loss can effectively improve the boundary F-score and mean Intersection-over-Union on challenging image and video object segmentation datasets.
• Abstract（参考訳）: 本稿では,セマンティックセグメンテーションのための新しいアクティブ境界損失を提案する。 これは、一般的に使用されるクロスエントロピー損失で明示的に強制されないエンドツーエンドトレーニング中に予測された境界とグラウンドトゥルース境界との間のアライメントを段階的に促進することができます。 現在のネットワークパラメータを用いて、セグメント化結果から検出された予測境界に基づいて、境界アライメント問題を微分可能方向ベクトル予測問題として定式化し、各イテレーションにおける予測境界の移動を導く。 私たちの損失はモデルに依存しず、境界の詳細を改善するためにセグメンテーションネットワークのトレーニングに接続することができます。 実験結果から, アクティブ境界損失によるトレーニングは, 課題の画像とビデオオブジェクトのセグメンテーションデータセットにおいて, 境界Fスコアとインターセクションオーバーユニオンを効果的に向上させることができることがわかった。

関連論文リスト

• Revisiting Edge Perturbation for Graph Neural Network in Graph Data Augmentation and Attack [58.440711902319855]
  エッジ摂動はグラフ構造を変更する方法である。 グラフニューラルネットワーク(GNN)の性能への影響に基づき、2つの静脈に分類できる。 統一的な定式化を提案し、エッジ摂動法の2つのカテゴリ間の明確な境界を確立する。
  論文  参考訳（メタデータ） (2024-03-10T15:50:04Z)
• PnPNet: Pull-and-Push Networks for Volumetric Segmentation with Boundary Confusion [25.12551124399544]
  U字型ネットワークは境界形状制約の欠如によりこの課題を効果的に解決できない。 隣接領域の相互作用ダイナミクスを包含することで境界生成を再認識する。 Netの中核成分は、境界領域を絞り込むプッシュとプルの枝を含む。
  論文  参考訳（メタデータ） (2023-12-13T17:50:31Z)
• Push-the-Boundary: Boundary-aware Feature Propagation for Semantic Segmentation of 3D Point Clouds [0.5249805590164901]
  本研究では,オブジェクト境界近傍のセマンティックセグメンテーションを改善するための境界対応特徴伝搬機構を提案する。 1つの共有エンコーダで、ネットワークは、(i)境界ローカライゼーション、(ii)オブジェクトの内部を指す方向の予測、(iii)セマンティックセグメンテーションを3つの並列ストリームで出力する。 提案手法は境界誤差を低減することによって一貫した改善をもたらす。
  論文  参考訳（メタデータ） (2022-12-23T15:42:01Z)
• Zero Pixel Directional Boundary by Vector Transform [77.63061686394038]
  我々は境界を1次元曲面として再解釈し、1対1のベクトル変換関数を定式化し、クラス不均衡問題を完全に回避する境界予測の訓練を可能にする。 我々の問題定式化は、境界の方向推定だけでなく、よりリッチなコンテキスト情報もたらし、もし望めば、訓練時にもゼロピクセルの薄い境界が利用可能となる。
  論文  参考訳（メタデータ） (2022-03-16T17:55:31Z)
• Contrastive Boundary Learning for Point Cloud Segmentation [81.7289734276872]
  本稿では,ポイントクラウドセグメンテーションのための新しい対照的な境界学習フレームワークを提案する。 実験により、CBLは、異なるベースラインを一貫して改善し、バウンダリにおける魅力的なパフォーマンスを達成するのに役立ちます。
  論文  参考訳（メタデータ） (2022-03-10T10:08:09Z)
• Boundary Guided Context Aggregation for Semantic Segmentation [23.709865471981313]
  我々は、画像の全体的意味理解を促進するために、コンテキストアグリゲーションのための重要なガイダンスとして境界を利用する。 我々はCityscapesとADE20Kデータベースに関する広範な実験を行い、最先端の手法で同等の結果を得る。
  論文  参考訳（メタデータ） (2021-10-27T17:04:38Z)
• InverseForm: A Loss Function for Structured Boundary-Aware Segmentation [80.39674800972182]
  逆変換ネットワークを用いたセマンティックセグメンテーションのための新しい境界認識損失項を提案する。 このプラグイン損失項は境界変換の捕捉におけるクロスエントロピー損失を補完する。 室内および屋外のセグメンテーションベンチマークにおける損失関数の定量的および定性的効果を解析した。
  論文  参考訳（メタデータ） (2021-04-06T18:52:45Z)
• Edge-Preserving Guided Semantic Segmentation for VIPriors Challenge [3.435043566706133]
  現在の最先端およびディープラーニングに基づくセマンティックセマンティックセグメンテーション技術は、よく訓練することは難しい。 付加的な事前情報を得るためのエッジ保存ガイダンスを提案する。 実験により,提案手法は小型のトレーニングセットで優れた性能が得られることを示した。
  論文  参考訳（メタデータ） (2020-07-17T11:49:10Z)
• DeepStrip: High Resolution Boundary Refinement [60.00241966809684]
  関心領域をストリップ画像に変換し、ストリップ領域の境界予測を計算することを提案する。 対象境界を検出するために,2つの予測層を持つフレームワークを提案する。 我々は、誤報を減らすために、整合性とC0連続性正規化をネットワークに強制する。
  論文  参考訳（メタデータ） (2020-03-25T22:44:48Z)

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。