Fugu-MT 論文翻訳(概要): BBAM: Bounding Box Attribution Map for Weakly Supervised Semantic and Instance Segmentation

論文の概要: BBAM: Bounding Box Attribution Map for Weakly Supervised Semantic and Instance Segmentation

arxiv url: http://arxiv.org/abs/2103.08907v1
Date: Tue, 16 Mar 2021 08:29:33 GMT
ステータス: 処理完了
システム内更新日: 2021-03-17 13:28:45.006135
Title: BBAM: Bounding Box Attribution Map for Weakly Supervised Semantic and Instance Segmentation
Title（参考訳）: BBAM: 弱教師付きセマンティックおよびインスタンスセグメンテーションのためのボックス属性マップ
Authors: Jungbeom Lee, Jihun Yi, Chaehun Shin, Sungroh Yoon
Abstract要約: バウンディングボックスアノテーションを用いた弱い教師付きセグメンテーション手法は、オブジェクトを含む各ボックスからピクセルレベルのマスクを取得することに焦点を当てている。本研究では,対象検出器が生成する画像の最小領域を画像全体とほぼ同程度に求めることにより,訓練対象検出器の挙動から得られる高次情報を利用する。これらの領域はバウンディングボックスアトリビューションマップ(bbam)を構成しており、バウンディングボックス内の対象オブジェクトを識別し、弱い教師付きセマンティクスとcocoインスタンスセグメンテーションのための擬似基底となる。
参考スコア（独自算出の注目度）: 19.55647093153416
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Weakly supervised segmentation methods using bounding box annotations focus on obtaining a pixel-level mask from each box containing an object. Existing methods typically depend on a class-agnostic mask generator, which operates on the low-level information intrinsic to an image. In this work, we utilize higher-level information from the behavior of a trained object detector, by seeking the smallest areas of the image from which the object detector produces almost the same result as it does from the whole image. These areas constitute a bounding-box attribution map (BBAM), which identifies the target object in its bounding box and thus serves as pseudo ground-truth for weakly supervised semantic and instance segmentation. This approach significantly outperforms recent comparable techniques on both the PASCAL VOC and MS COCO benchmarks in weakly supervised semantic and instance segmentation. In addition, we provide a detailed analysis of our method, offering deeper insight into the behavior of the BBAM.
Abstract（参考訳）: バウンディングボックスアノテーションを用いた弱い教師付きセグメンテーション手法は、オブジェクトを含む各ボックスからピクセルレベルのマスクを取得することに焦点を当てている。既存のメソッドは通常、クラスに依存しないマスクジェネレータに依存し、イメージに固有の低レベル情報を操作する。本研究では,対象検出器が生成する画像の最小領域を画像全体とほぼ同程度に求めることにより,訓練対象検出器の挙動から得られる高次情報を利用する。これらの領域は、バウンディングボックス属性マップ(BBAM)を構成し、そのバウンディングボックス内の対象物を識別し、弱教師付きセマンティクスとインスタンスセグメンテーションのための擬似基底として機能する。このアプローチは、PASCAL VOCとMS COCOベンチマークの両方において、弱い教師付きセマンティクスとインスタンスセグメンテーションにおいて、最近の同等の技術よりも大幅に優れている。さらに,本手法の詳細な解析を行い,BBAMの挙動についてより深い知見を提供する。

関連論文リスト

PWISeg: Point-based Weakly-supervised Instance Segmentation for Surgical Instruments [27.89003436883652]
我々はPWISeg (Point-based Weakly-supervised Instance) という,弱制御型手術器具セグメンテーション手法を提案する。 PWISegは、特徴点とバウンディングボックスの関係をモデル化するために、ポイント・ツー・ボックスとポイント・ツー・マスクのブランチを備えたFCNベースのアーキテクチャを採用している。そこで本研究では,キー・ツー・マスク・ブランチを駆動し,より正確なセグメンテーション予測を生成するキー・ピクセル・アソシエーション・ロスとキー・ピクセル・アソシエーション・ロスを提案する。
論文参考訳（メタデータ） (2023-11-16T11:48:29Z)
De-coupling and De-positioning Dense Self-supervised Learning [65.56679416475943]
Dense Self-Supervised Learning (SSL)メソッドは、複数のオブジェクトでイメージを処理する際に、画像レベルの特徴表現を使用する際の制限に対処する。本研究は, 層深度やゼロパディングに伴う受容野の増大によって生じる, 結合と位置バイアスに悩まされていることを示す。我々はCOCOにおける本手法の利点と、オブジェクト分類、セマンティックセグメンテーション、オブジェクト検出のための新しい挑戦的ベンチマークであるOpenImage-MINIについて示す。
論文参考訳（メタデータ） (2023-03-29T18:07:25Z)
SIM: Semantic-aware Instance Mask Generation for Box-Supervised Instance Segmentation [22.930296667684125]
本稿では,セマンティック・アウェア・インスタンス・マスク(SIM)生成パラダイムを開発することによって,新しいボックス管理型インスタンス・セグメンテーション手法を提案する。セマンティック・アウェア・プロトタイプは,同じセマンティクスの異なるインスタンスを区別できないことを考慮し,自己補正機構を提案する。実験結果から,提案手法が他の最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2023-03-14T05:59:25Z)
BoxMask: Revisiting Bounding Box Supervision for Video Object Detection [11.255962936937744]
そこで,BoxMaskを提案する。このBoxMaskは,クラス対応の画素レベルの情報を取り入れることで,識別表現を学習する。提案されたモジュールは、検出を促進するため、任意の領域ベースの検出器に懸命に統合することができる。
論文参考訳（メタデータ） (2022-10-12T08:25:27Z)
Robust Visual Tracking by Segmentation [103.87369380021441]
対象範囲を推定することは、視覚的物体追跡において根本的な課題となる。高精度なセグメンテーションマスクを生成するセグメンテーション中心のトラッキングパイプラインを提案する。我々のトラッカーは、シーンのターゲットを背景コンテンツと明確に区別するターゲット表現をよりよく学習することができる。
論文参考訳（メタデータ） (2022-03-21T17:59:19Z)
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)
Object-Guided Instance Segmentation With Auxiliary Feature Refinement for Biological Images [58.914034295184685]
サンプルセグメンテーションは、神経細胞相互作用の研究、植物の表現型化、細胞が薬物治療にどう反応するかを定量的に測定するなど、多くの生物学的応用において非常に重要である。 Boxベースのインスタンスセグメンテーションメソッドは、バウンディングボックスを介してオブジェクトをキャプチャし、各バウンディングボックス領域内で個々のセグメンテーションを実行する。提案手法は,まずオブジェクトの中心点を検出し,そこから境界ボックスパラメータが予測される。セグメンテーションブランチは、オブジェクト特徴をガイダンスとして再利用し、同じバウンディングボックス領域内の隣のオブジェクトからターゲットオブジェクトを分離する。
論文参考訳（メタデータ） (2021-06-14T04:35:36Z)
Weakly-supervised Instance Segmentation via Class-agnostic Learning with Salient Images [34.498542318157284]
弱教師付きインスタンスセグメンテーションのためのbox-supervised class-agnostic object segmentation (boxcaseg) ベースのソリューションを提案する。 BoxCasegモデルは、マルチタスクの学習方法でボックス監視画像とサリエント画像を使用して共同トレーニングされます。弱い教師付きMask R-CNNはPASCAL VOC上の完全に教師付きMask R-CNNと同等であり、COCO上の最先端のボックス管理インスタンスセグメンテーション手法よりも大幅に優れている。
論文参考訳（メタデータ） (2021-04-04T03:01:52Z)
Instance Localization for Self-supervised Detection Pretraining [68.24102560821623]
インスタンスローカリゼーションと呼ばれる,新たな自己監視型プリテキストタスクを提案する。境界ボックスを事前学習に組み込むことで、より優れたタスクアライメントとアーキテクチャアライメントが促進されることを示す。実験結果から, オブジェクト検出のための最先端の転送学習結果が得られた。
論文参考訳（メタデータ） (2021-02-16T17:58:57Z)
Weakly-Supervised Semantic Segmentation via Sub-category Exploration [73.03956876752868]
我々は、オブジェクトの他の部分に注意を払うために、ネットワークを強制する単純で効果的なアプローチを提案する。具体的には、画像の特徴をクラスタリングして、アノテーション付き親クラスごとに擬似サブカテゴリラベルを生成する。提案手法の有効性を検証し,提案手法が最先端手法に対して良好に機能することを示す。
論文参考訳（メタデータ） (2020-08-03T20:48:31Z)

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。