論文の概要: Semantically Meaningful Class Prototype Learning for One-Shot Image
Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2102.10935v1
- Date: Mon, 22 Feb 2021 12:07:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-23 14:44:04.211380
- Title: Semantically Meaningful Class Prototype Learning for One-Shot Image
Semantic Segmentation
- Title(参考訳): ワンショット画像意味セグメンテーションのための意味論的クラスプロトタイプ学習
- Authors: Tao Chen, Guosen Xie, Yazhou Yao, Qiong Wang, Fumin Shen, Zhenmin
Tang, and Jian Zhang
- Abstract要約: ワンショットセマンティックイメージセグメンテーションは、1つの注釈付きイメージで新しいクラスのオブジェクト領域を分割することを目的としている。
最近の研究では、テスト時に予想される状況を模倣するために、エピソディクストレーニング戦略を採用している。
エピソードトレーニングにおいて,マルチクラスラベル情報を活用することを提案する。
ネットワークが各カテゴリに対してより意味のある機能を生成するように促すだろう。
- 参考スコア(独自算出の注目度): 58.96902899546075
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One-shot semantic image segmentation aims to segment the object regions for
the novel class with only one annotated image. Recent works adopt the episodic
training strategy to mimic the expected situation at testing time. However,
these existing approaches simulate the test conditions too strictly during the
training process, and thus cannot make full use of the given label information.
Besides, these approaches mainly focus on the foreground-background target
class segmentation setting. They only utilize binary mask labels for training.
In this paper, we propose to leverage the multi-class label information during
the episodic training. It will encourage the network to generate more
semantically meaningful features for each category. After integrating the
target class cues into the query features, we then propose a pyramid feature
fusion module to mine the fused features for the final classifier. Furthermore,
to take more advantage of the support image-mask pair, we propose a
self-prototype guidance branch to support image segmentation. It can constrain
the network for generating more compact features and a robust prototype for
each semantic class. For inference, we propose a fused prototype guidance
branch for the segmentation of the query image. Specifically, we leverage the
prediction of the query image to extract the pseudo-prototype and combine it
with the initial prototype. Then we utilize the fused prototype to guide the
final segmentation of the query image. Extensive experiments demonstrate the
superiority of our proposed approach.
- Abstract(参考訳): ワンショットセマンティックイメージセグメンテーションは、1つの注釈付きイメージで新しいクラスのオブジェクト領域を分割することを目的としている。
最近の研究では、テスト時に予想される状況を模倣するために、エピソディクストレーニング戦略を採用している。
しかしながら、これらの既存のアプローチは、トレーニングプロセス中にテスト条件を厳密にシミュレートするので、与えられたラベル情報をフルに利用できない。
さらに、これらのアプローチは、主に前景と背景のターゲットクラスのセグメンテーション設定に焦点を当てます。
トレーニングにはバイナリマスクラベルのみを使用する。
本稿では,エピソディクス訓練において,マルチクラスラベル情報を活用することを提案する。
ネットワークが各カテゴリに対してより意味のある機能を生成するように促すだろう。
対象のクラスキューをクエリ機能に統合した後、最終的な分類器の融合特徴をマイニングするピラミッド特徴融合モジュールを提案します。
さらに,支援画像マスクペアをより活用するために,画像セグメンテーションをサポートする自己プロトタイプガイダンスブランチを提案する。
よりコンパクトな機能を生成するためにネットワークを制約し、セマンティッククラスごとに堅牢なプロトタイプを作成できる。
推測のために,クエリ画像のセグメンテーションのための融合プロトタイプガイダンスブランチを提案する。
具体的には,クエリ画像の予測を利用して疑似プロトタイプを抽出し,初期プロトタイプと組み合わせる。
次に,この融合プロトタイプを用いて,問合せ画像の最終セグメント化を導出する。
提案手法の優位性を,広範な実験で実証した。
関連論文リスト
- IFSENet : Harnessing Sparse Iterations for Interactive Few-shot Segmentation Excellence [2.822194296769473]
新しいクラスのセグメンテーションを学ぶために必要な画像の数を減らします。
インタラクティブなセグメンテーション技術は、一度に1つのオブジェクトのセグメンテーションを漸進的に改善することのみに焦点を当てます。
2つの概念を組み合わせることで、新しいクラスのセグメンテーションモデルをトレーニングするのに要する労力を大幅に削減する。
論文 参考訳(メタデータ) (2024-03-22T10:15:53Z) - Learning Semantic Segmentation with Query Points Supervision on Aerial Images [57.09251327650334]
セマンティックセグメンテーションアルゴリズムを学習するための弱教師付き学習アルゴリズムを提案する。
提案手法は正確なセマンティックセグメンテーションを行い,手作業のアノテーションに要するコストと時間を大幅に削減することで効率を向上する。
論文 参考訳(メタデータ) (2023-09-11T14:32:04Z) - Iterative Few-shot Semantic Segmentation from Image Label Text [36.53926941601841]
ほとんどショットのセマンティックセマンティックセマンティクスは、いくつかのサポートイメージのガイダンスで、目に見えないクラスオブジェクトのセマンティクスを学ぶことを目的としている。
本稿では、強力な視覚言語モデルCLIPの助けを借りて、粗いマスクを生成するための一般的なフレームワークを提案する。
本手法は,野生および珍しいクラスの画像に対して,優れた一般化能力を有する。
論文 参考訳(メタデータ) (2023-03-10T01:48:14Z) - APANet: Adaptive Prototypes Alignment Network for Few-Shot Semantic
Segmentation [56.387647750094466]
Few-shotのセマンティックセマンティックセマンティクスは、指定されたクエリイメージに、ラベル付きサポートイメージのみで、新規クラスのオブジェクトをセグメントすることを目的としている。
ほとんどの高度なソリューションは、各クエリ機能を学習したクラス固有のプロトタイプにマッチさせることでセグメンテーションを実行するメトリクス学習フレームワークを利用している。
本稿では,クラス固有およびクラス非依存のプロトタイプを導入することで,適応型プロトタイプ表現を提案する。
論文 参考訳(メタデータ) (2021-11-24T04:38:37Z) - SCNet: Enhancing Few-Shot Semantic Segmentation by Self-Contrastive
Background Prototypes [56.387647750094466]
Few-shot セマンティックセマンティックセマンティクスは,クエリイメージ内の新規クラスオブジェクトを,アノテーション付きの例で分割することを目的としている。
先進的なソリューションのほとんどは、各ピクセルを学習した前景のプロトタイプに合わせることでセグメンテーションを行うメトリクス学習フレームワークを利用している。
このフレームワークは、前景プロトタイプのみとのサンプルペアの不完全な構築のために偏った分類に苦しんでいます。
論文 参考訳(メタデータ) (2021-04-19T11:21:47Z) - Part-aware Prototype Network for Few-shot Semantic Segmentation [50.581647306020095]
本稿では,プロトタイプ表現に基づく新規な数ショットセマンティックセマンティックセマンティクスフレームワークを提案する。
私たちのキーとなるアイデアは、全体論的なクラス表現を、部分認識型プロトタイプのセットに分解することです。
提案する部分認識型プロトタイプを生成・拡張する新しいグラフニューラルネットワークモデルを開発した。
論文 参考訳(メタデータ) (2020-07-13T11:03:09Z) - 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。