論文の概要: Discriminative Region Suppression for Weakly-Supervised Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2103.07246v1
• Date: Fri, 12 Mar 2021 12:56:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-15 13:22:22.708660
• Title: Discriminative Region Suppression for Weakly-Supervised Semantic Segmentation
• Title（参考訳）: 弱教師付き意味セグメンテーションに対する識別領域抑圧
• Authors: Beomyoung Kim, Sangeun Han. Junmo Kim
• Abstract要約: オブジェクト活性化領域を拡大するためのシンプルで効果的な方法である識別領域抑制(DRS)モジュールを紹介します。 DRSは識別領域への注意を抑制し、隣接する非差別領域に拡散し、密な局在地図を生成する。 また,ローカライズマップリファインメント学習という,ローカライズマップの自己強化を実現するための学習戦略についても紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weakly-supervised semantic segmentation (WSSS) using image-level labels has recently attracted much attention for reducing annotation costs. Existing WSSS methods utilize localization maps from the classification network to generate pseudo segmentation labels. However, since localization maps obtained from the classifier focus only on sparse discriminative object regions, it is difficult to generate high-quality segmentation labels. To address this issue, we introduce discriminative region suppression (DRS) module that is a simple yet effective method to expand object activation regions. DRS suppresses the attention on discriminative regions and spreads it to adjacent non-discriminative regions, generating dense localization maps. DRS requires few or no additional parameters and can be plugged into any network. Furthermore, we introduce an additional learning strategy to give a self-enhancement of localization maps, named localization map refinement learning. Benefiting from this refinement learning, localization maps are refined and enhanced by recovering some missing parts or removing noise itself. Due to its simplicity and effectiveness, our approach achieves mIoU 71.4% on the PASCAL VOC 2012 segmentation benchmark using only image-level labels. Extensive experiments demonstrate the effectiveness of our approach. The code is available at https://github.com/qjadud1994/DRS.
• Abstract（参考訳）: 画像レベルラベルを用いたweakly-supervised semantic segmentation (wsss) はアノテーションコストの低減に多くの注目を集めている。 既存のWSSSメソッドは、分類ネットワークからのローカリゼーションマップを利用して擬似セグメンテーションラベルを生成する。 しかし,分類器から得られるローカライゼーションマップはスパース識別対象領域のみに焦点が当てられているため,高品質なセグメンテーションラベルを生成することは困難である。 この問題に対処するために,オブジェクトのアクティベーション領域を拡大するための簡易かつ効果的な方法である識別領域抑制 (DRS) モジュールを導入する。 DRSは識別領域への注意を抑制し、隣接する非差別領域に拡散し、密な局在地図を生成する。 DRSは追加のパラメータをほとんど必要とせず、任意のネットワークにプラグインできる。 さらに,ローカライズマップリファインメント学習という,ローカライズマップの自己強化を実現するための新たな学習戦略を提案する。 この改良学習を活かしたローカライゼーションマップは、欠落した部分の復元やノイズ自体の除去によって洗練・強化される。 その単純さと有効性から,画像レベルラベルのみを用いたPASCAL VOC 2012セグメンテーションベンチマークでmIoU 71.4%を達成した。 広範な実験が我々のアプローチの有効性を実証している。 コードはhttps://github.com/qjadud1994/DRSで入手できる。

関連論文リスト

• Background Activation Suppression for Weakly Supervised Object Localization and Semantic Segmentation [84.62067728093358]
  弱教師付きオブジェクトローカライゼーションとセマンティックセグメンテーションは、画像レベルのラベルのみを使用してオブジェクトをローカライズすることを目的としている。 画素レベルのローカライゼーションを実現するために,フォアグラウンド予測マップを生成することで,新たなパラダイムが誕生した。 本稿では,物体の局在化学習過程に関する2つの驚くべき実験結果を示す。
  論文  参考訳（メタデータ） (2023-09-22T15:44:10Z)
• Semi-Supervised Semantic Segmentation With Region Relevance [28.92449538610617]
  半教師付きセマンティックセグメンテーションは、少数のラベル付きデータと多くのラベルなしデータから学ぶことを目的としている。 最も一般的なアプローチは、トレーニングデータを増やすためにラベルのない画像のための擬似ラベルを生成することである。 本稿では、上記の問題を緩和する地域関連ネットワーク(RRN)を提案する。
  論文  参考訳（メタデータ） (2023-04-23T04:51:27Z)
• Improving Fine-Grained Visual Recognition in Low Data Regimes via Self-Boosting Attention Mechanism [27.628260249895973]
  SAM(Self-boosting attention mechanism)は、ネットワークを正規化して、サンプルやクラス間で共有されるキー領域に集中するための新しい手法である。 我々はSAMを用いて、二線形プール方式で畳み込みマップをプールするために複数の注意マップを作成する変種を開発する。
  論文  参考訳（メタデータ） (2022-08-01T05:36:27Z)
• Spatial Likelihood Voting with Self-Knowledge Distillation for Weakly Supervised Object Detection [54.24966006457756]
  自己知識蒸留ネットワーク(SLV-SDネット)を用いたWSODフレームワークを提案する。 SLV-SD Netは、境界ボックスアノテーションなしで領域提案のローカライゼーションを収束させる。 PASCAL VOC 2007/2012およびMS-COCOデータセットの実験は、SLV-SD Netの優れた性能を示している。
  論文  参考訳（メタデータ） (2022-04-14T11:56:19Z)
• Anti-Adversarially Manipulated Attributions for Weakly Supervised Semantic Segmentation and Object Localization [31.69344455448125]
  本稿では,最終ソフトマックス層やシグモイド層の前に分類器が生成する分類スコアを増やすために操作した画像の属性マップを提案する。 この操作は対逆的な方法で実現され、元の画像は対逆攻撃で使用されるものと反対方向に画素勾配に沿って摂動される。 さらに,対象物に関係のない領域の不正な帰属と,対象物の小さな領域への過剰な帰属の集中を抑制する新たな正規化手法を導入する。
  論文  参考訳（メタデータ） (2022-04-11T06:18:02Z)
• SparseDet: Improving Sparsely Annotated Object Detection with Pseudo-positive Mining [76.95808270536318]
  Pseudo- positive mining を用いてラベル付き地域とラベルなし地域を分離するエンド・ツー・エンドシステムを提案する。 ラベル付き領域は通常通り処理されるが、ラベルなし領域の処理には自己教師付き学習が使用される。 我々は,PASCAL-VOCとCOCOデータセットの5つの分割に対して,最先端の性能を達成するための徹底的な実験を行った。
  論文  参考訳（メタデータ） (2022-01-12T18:57:04Z)
• Discriminative Region-based Multi-Label Zero-Shot Learning [145.0952336375342]
  マルチラベルゼロショット学習(Multi-label zero-shot Learning、ZSL)は、標準のシングルラベルZSLのより現実的な対位法である。 本稿では,地域別識別可能性保存型ZSLに対する代替アプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-20T17:56:47Z)
• Non-Salient Region Object Mining for Weakly Supervised Semantic Segmentation [64.2719590819468]
  弱教師付きセマンティックセグメンテーションのための非塩分領域オブジェクトマイニング手法を提案する。 擬似ラベルの偽陰性率を低減するために、潜在的なオブジェクトマイニングモジュールを提案する。 非サリエント領域マスキングモジュールは、非サリエント領域内のオブジェクトをさらに発見するのに役立ちます。
  論文  参考訳（メタデータ） (2021-03-26T16:44:03Z)
• Simple and effective localized attribute representations for zero-shot learning [48.053204004771665]
  Zero-shot Learning (ZSL) は、目に見えないクラスとイメージを区別することを目的としている。 本稿では,意味/属性空間における局所化表現を提案する。 提案手法は,ゼロショット学習のための新しいベースラインとして利用することができる。
  論文  参考訳（メタデータ） (2020-06-10T16:46:12Z)

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。