論文の概要: Learning Class-Agnostic Pseudo Mask Generation for Box-Supervised Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2103.05463v1
• Date: Tue, 9 Mar 2021 14:54:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-10 14:56:13.298848
• Title: Learning Class-Agnostic Pseudo Mask Generation for Box-Supervised Semantic Segmentation
• Title（参考訳）: ボックススーパービジョンセマンティックセグメンテーションのためのクラス非依存擬似マスク生成の学習
• Authors: Chaohao Xie, Dongwei Ren, Lei Wang, Qinghua Hu, Liang Lin, Wangmeng Zuo
• Abstract要約: ボックス教師付きセマンティクスセグメンテーションに合わせた,より正確な学習ベースのクラス非依存な擬似マスクジェネレータを求める。 この方法は、ボックス監視モデルとフル監視モデルの間のパフォーマンスギャップをさらに埋めることができます。
• 参考スコア（独自算出の注目度）: 156.9155100983315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, several weakly supervised learning methods have been devoted to utilize bounding box supervision for training deep semantic segmentation models. Most existing methods usually leverage the generic proposal generators (\eg, dense CRF and MCG) to produce enhanced segmentation masks for further training segmentation models. These proposal generators, however, are generic and not specifically designed for box-supervised semantic segmentation, thereby leaving some leeway for improving segmentation performance. In this paper, we aim at seeking for a more accurate learning-based class-agnostic pseudo mask generator tailored to box-supervised semantic segmentation. To this end, we resort to a pixel-level annotated auxiliary dataset where the class labels are non-overlapped with those of the box-annotated dataset. For learning pseudo mask generator from the auxiliary dataset, we present a bi-level optimization formulation. In particular, the lower subproblem is used to learn box-supervised semantic segmentation, while the upper subproblem is used to learn an optimal class-agnostic pseudo mask generator. The learned pseudo segmentation mask generator can then be deployed to the box-annotated dataset for improving weakly supervised semantic segmentation. Experiments on PASCAL VOC 2012 dataset show that the learned pseudo mask generator is effective in boosting segmentation performance, and our method can further close the performance gap between box-supervised and fully-supervised models. Our code will be made publicly available at https://github.com/Vious/LPG_BBox_Segmentation .
• Abstract（参考訳）: 近年,深層セマンティックセグメンテーションモデルの訓練に境界ボックス管理を利用するために,弱教師付き学習法がいくつか研究されている。 既存のほとんどの手法では、一般的な提案生成器 (\eg, dense CRF, MCG) を利用して、さらなるトレーニングセグメンテーションモデルのための強化されたセグメンテーションマスクを生成する。 しかし、これらの提案ジェネレータは汎用的であり、ボックス監視されたセマンティックセグメンテーション用に特別に設計されていないため、セグメンテーションのパフォーマンスを改善するための余地がある。 本稿では,ボックス教師付きセマンティクスセグメンテーションに合わせた,より正確な学習ベースクラス非依存な擬似マスク生成器を求めることを目的とする。 この目的のために、私たちは、クラスラベルがボックス注釈データセットと重複しないピクセルレベルのアノテーション付き補助データセットを利用する。 補助データセットから擬似マスク生成法を学ぶために,二段階最適化定式化を提案する。 特に、下位のサブプロブレムはボックス教師付きセマンティクスセグメンテーションの学習に使用され、上位のサブプロブレムは最適なクラス非依存の擬似マスクジェネレータの学習に使用される。 学習した擬似セグメンテーションマスクジェネレータはボックスアノテーション付きデータセットにデプロイされ、弱教師付きセグメンテーションを改善する。 PASCAL VOC 2012データセットの実験では、学習した擬似マスクジェネレータがセグメンテーション性能を高めるのに有効であり、この方法により、ボックス監視モデルとフル監視モデルの間のパフォーマンスギャップをさらに閉じることができます。 コードはhttps://github.com/Vious/LPG_BBox_Segmentation で公開されます。

関連論文リスト

• Bridge the Points: Graph-based Few-shot Segment Anything Semantically [79.1519244940518]
  プレトレーニング技術の最近の進歩により、視覚基礎モデルの能力が向上した。 最近の研究はSAMをFew-shot Semantic segmentation (FSS)に拡張している。 本稿では,グラフ解析に基づく簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-10-09T15:02:28Z)
• MaskUno: Switch-Split Block For Enhancing Instance Segmentation [0.0]
  マスク予測を洗練されたROIを処理し、それらを分類し、特定のマスク予測者に割り当てるスイッチスプリットブロックに置き換えることを提案する。 平均平均精度(mAP)が2.03%上昇し,80クラスにおいて高い成績を示した。
  論文  参考訳（メタデータ） (2024-07-31T10:12:14Z)
• Extreme Point Supervised Instance Segmentation [28.191795758445352]
  本稿では,各オブジェクトの極端点,左極端点,最下極点,右極端点を用いて,インスタンスセグメンテーションを学習するための新しいアプローチを提案する。 これらの点は、正確なセグメンテーションのための強力な手がかりを提供しながら、現代のバウンディングボックスアノテーションプロセスで容易に利用可能である。 本モデルでは,対象物を複数の部品に分けた場合に高品質なマスクを生成する。
  論文  参考訳（メタデータ） (2024-05-31T09:37:39Z)
• SegRefiner: Towards Model-Agnostic Segmentation Refinement with Discrete Diffusion Process [102.18226145874007]
  そこで我々は,異なるセグメンテーションモデルによって生成されるオブジェクトマスクの品質を高めるために,SegRefinerと呼ばれるモデルに依存しないソリューションを提案する。 SegRefinerは粗いマスクを入力として取り、離散拡散プロセスを用いてそれらを洗練する。 さまざまな種類の粗いマスクにわたるセグメンテーションメトリックとバウンダリメトリックの両方を一貫して改善する。
  論文  参考訳（メタデータ） (2023-12-19T18:53:47Z)
• Segment Anything is A Good Pseudo-label Generator for Weakly Supervised Semantic Segmentation [8.59909129321984]
  本報告では,強力なクラスに依存しない大規模セグメンテーションモデルの「マスクへのプロンプト」の可能性について検討する。 異なる弱いラベルがセグメンテーションモデルのプロンプトとして使われ、正確なクラスマスクを生成する。 実験では、セグメンテーションは優れた擬似ラベル生成器として機能することを示した。
  論文  参考訳（メタデータ） (2023-05-02T09:22:38Z)
• MaskRange: A Mask-classification Model for Range-view based LiDAR Segmentation [34.04740351544143]
  本研究では,範囲ビューに基づくLiDARセマンティクスとパノプティックセグメンテーションのためのマスク分類モデルMaskRangeを提案する。 我々のMaskRangeは、セマンティックセグメンテーションにおける6.10ドルmIoUの最先端性能と、高い効率でパノプティクスセグメンテーションにおける53.10ドルPQの有望な結果を達成する。
  論文  参考訳（メタデータ） (2022-06-24T04:39:49Z)
• Discovering Object Masks with Transformers for Unsupervised Semantic Segmentation [75.00151934315967]
  MaskDistillは教師なしセマンティックセグメンテーションのための新しいフレームワークである。 我々のフレームワークは、低レベルの画像キューにラッチを付けず、オブジェクト中心のデータセットに限らない。
  論文  参考訳（メタデータ） (2022-06-13T17:59:43Z)
• Box-Adapt: Domain-Adaptive Medical Image Segmentation using Bounding BoxSupervision [52.45336255472669]
  深層学習のための弱教師付きドメイン適応設定を提案する。 Box-Adaptは、ソースドメインのきめ細かいセグナオンマスクとターゲットドメインの弱いバウンディングボックスを完全に探索する。 肝セグメンテーションにおける本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-08-19T01:51:04Z)
• Per-Pixel Classification is Not All You Need for Semantic Segmentation [184.2905747595058]
  マスク分類はセマンティックレベルのセグメンテーションタスクとインスタンスレベルのセグメンテーションタスクの両方を解くのに十分一般的である。 マスクの集合を予測する単純なマスク分類モデルであるMaskFormerを提案する。 提案手法は,現在の最先端セマンティック(ADE20Kでは55.6 mIoU)とパノプティックセグメンテーション(COCOでは52.7 PQ)モデルの両方に優れる。
  論文  参考訳（メタデータ） (2021-07-13T17:59:50Z)

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。