論文の概要: Instance and Panoptic Segmentation Using Conditional Convolutions

• arxiv url: http://arxiv.org/abs/2102.03026v1
• Date: Fri, 5 Feb 2021 06:57:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-08 12:56:08.468954
• Title: Instance and Panoptic Segmentation Using Conditional Convolutions
• Title（参考訳）: 条件付き畳み込みを用いたInstance and Panoptic Segmentation
• Authors: Zhi Tian, Bowen Zhang, Hao Chen, Chunhua Shen
• Abstract要約: 本稿では,CondInst と呼ばれる,シンプルで効果的な光学的セグメンテーションフレームワークを提案する。 我々は、CondInstがインスタンス分割タスクと単眼セグメンテーションタスクの両方において精度と推論速度を向上できることを示す。
• 参考スコア（独自算出の注目度）: 96.7275593916409
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose a simple yet effective framework for instance and panoptic segmentation, termed CondInst (conditional convolutions for instance and panoptic segmentation). In the literature, top-performing instance segmentation methods typically follow the paradigm of Mask R-CNN and rely on ROI operations (typically ROIAlign) to attend to each instance. In contrast, we propose to attend to the instances with dynamic conditional convolutions. Instead of using instance-wise ROIs as inputs to the instance mask head of fixed weights, we design dynamic instance-aware mask heads, conditioned on the instances to be predicted. CondInst enjoys three advantages: 1.) Instance and panoptic segmentation are unified into a fully convolutional network, eliminating the need for ROI cropping and feature alignment. 2.) The elimination of the ROI cropping also significantly improves the output instance mask resolution. 3.) Due to the much improved capacity of dynamically-generated conditional convolutions, the mask head can be very compact (e.g., 3 conv. layers, each having only 8 channels), leading to significantly faster inference time per instance and making the overall inference time almost constant, irrelevant to the number of instances. We demonstrate a simpler method that can achieve improved accuracy and inference speed on both instance and panoptic segmentation tasks. On the COCO dataset, we outperform a few state-of-the-art methods. We hope that CondInst can be a strong baseline for instance and panoptic segmentation. Code is available at: https://git.io/AdelaiDet
• Abstract（参考訳）: 本稿では,panoptic segmentationとcondinst (conditional convolutions for instance and panoptic segmentation) という,単純かつ効果的なフレームワークを提案する。 文献では、パフォーマンスの高いインスタンスセグメンテーションメソッドは通常、Mask R-CNNのパラダイムに従い、各インスタンスに出席するためにROIオペレーション(通常ROIAlign)に依存します。 対照的に、動的条件付き畳み込みを伴うインスタンスへの参加を提案する。 インスタンス単位のROIを固定重みのインスタンスマスクヘッドへの入力として使用する代わりに、予測されるインスタンスに条件付けされた動的インスタンス対応マスクヘッドを設計する。 CondInstには3つの利点がある。 インスタンスとパンオプティクスのセグメンテーションは、完全な畳み込みネットワークに統合され、ROIトリミングと機能アライメントが不要になります。 2.) ROIトリミングの排除により、出力インスタンスマスクの解像度も大幅に向上します。 3.) 動的に生成された条件付き畳み込みの容量が大幅に向上するため、マスクヘッドは非常にコンパクトである(例えば3conv)。 いずれのレイヤも8つのチャネルしか持たないため、1インスタンスあたりの推論時間が大幅に速くなり、全体の推論時間はインスタンス数とは無関係にほぼ一定になる。 インスタンスとパンオプティクスのセグメンテーションタスクの両方において、精度と推論速度の向上を達成できるシンプルな方法を示します。 COCOデータセットでは、最先端のメソッドよりも優れています。 CondInstが、例えばパンオプティクスセグメンテーションの強力なベースラインになることを願っています。 コードはhttps://git.io/AdelaiDetで入手できる。

関連論文リスト

• SOLO: A Simple Framework for Instance Segmentation [84.00519148562606]
  インスタンスカテゴリ"は、インスタンスの場所に応じて、インスタンス内の各ピクセルにカテゴリを割り当てる。 SOLO"は、強力なパフォーマンスを備えたインスタンスセグメンテーションのための、シンプルで、直接的で、高速なフレームワークです。 提案手法は, 高速化と精度の両面から, 実例分割の最先端結果を実現する。
  論文  参考訳（メタデータ） (2021-06-30T09:56:54Z)
• Contextual Guided Segmentation Framework for Semi-supervised Video Instance Segmentation [20.174393465900156]
  ビデオインスタンスのセグメンテーションを3つのパスで行うためのContextual Guided (CGS) フレームワークを提案する。 最初のパス、すなわちプレビューセグメンテーションでは、各インスタンスの主特性を推定するためにインスタンス再識別フローを提案します。 第2のパス、すなわちコンテキストセグメンテーションでは、複数のコンテキストセグメンテーションスキームを導入する。 DAVIS Test-Challengeデータセットを用いて実験を行い,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-06-07T04:16:50Z)
• Unifying Instance and Panoptic Segmentation with Dynamic Rank-1 Convolutions [109.2706837177222]
  DR1Maskは、インスタンスとセマンティックセグメンテーションの両方で共有機能マップを利用する最初のパノプティクスセグメンテーションフレームワークである。 副産物として、DR1Maskは従来の最先端のインスタンスセグメンテーションネットワークであるBlendMaskよりも10%高速で1ポイント精度が高い。
  論文  参考訳（メタデータ） (2020-11-19T12:42:10Z)
• SOLOv2: Dynamic and Fast Instance Segmentation [102.15325936477362]
  パフォーマンスの高いシンプルで直接的で高速なインスタンスセグメンテーションフレームワークを構築しています。 オブジェクトセグメンタのマスクヘッドを動的に学習することで、さらに一歩前進する。 簡単な直接インスタンス分割システムを示し,高速化と精度の両面において,いくつかの最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-23T09:44:21Z)
• PointINS: Point-based Instance Segmentation [117.38579097923052]
  POI(Point-of-Interest)機能によるインスタンスセグメンテーションにおけるマスク表現は、各インスタンスの高次元マスク機能を学ぶには、計算負荷が重いため、難しい。 本稿では、このマスク表現学習タスクを2つの抽出可能なモジュールに分解するインスタンス認識畳み込みを提案する。 インスタンス認識の畳み込みとともに、単純で実用的なインスタンスセグメンテーションアプローチであるPointINSを提案する。
  論文  参考訳（メタデータ） (2020-03-13T08:24:58Z)
• Conditional Convolutions for Instance Segmentation [109.2706837177222]
  我々はCondInstと呼ばれるシンプルだが効果的なインスタンスセグメンテーションフレームワークを提案する。 インスタンスに条件付き動的インスタンス認識ネットワークを採用しています。 本稿では,精度と推論速度の両面で性能の向上を実現するための,より単純なインスタンス分割法を示す。
  論文  参考訳（メタデータ） (2020-03-12T08:42:36Z)

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。