論文の概要: Deep Occlusion-Aware Instance Segmentation with Overlapping BiLayers

• arxiv url: http://arxiv.org/abs/2103.12340v1
• Date: Tue, 23 Mar 2021 06:25:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-25 01:39:30.346956
• Title: Deep Occlusion-Aware Instance Segmentation with Overlapping BiLayers
• Title（参考訳）: 重なり合うBiLayerを用いた深部閉塞型インスタンスセグメンテーション
• Authors: Lei Ke, Yu-Wing Tai and Chi-Keung Tang
• Abstract要約: 高オーバーラップオブジェクトをセグメント化するBilayer Convolutional Network (BCNet)を提案する。 BCNetはオクルージョンオブジェクト(Occluder)を検出し、ボトムGCN層は部分的にOccludedインスタンス(Occludee)を推論する
• 参考スコア（独自算出の注目度）: 72.38919601150175
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Segmenting highly-overlapping objects is challenging, because typically no distinction is made between real object contours and occlusion boundaries. Unlike previous two-stage instance segmentation methods, we model image formation as composition of two overlapping layers, and propose Bilayer Convolutional Network (BCNet), where the top GCN layer detects the occluding objects (occluder) and the bottom GCN layer infers partially occluded instance (occludee). The explicit modeling of occlusion relationship with bilayer structure naturally decouples the boundaries of both the occluding and occluded instances, and considers the interaction between them during mask regression. We validate the efficacy of bilayer decoupling on both one-stage and two-stage object detectors with different backbones and network layer choices. Despite its simplicity, extensive experiments on COCO and KINS show that our occlusion-aware BCNet achieves large and consistent performance gain especially for heavy occlusion cases. Code is available at https://github.com/lkeab/BCNet.
• Abstract（参考訳）: 高い重なり合うオブジェクトのセグメンテーションは、通常、実際のオブジェクトの輪郭と閉塞境界の間に区別はなされないため、難しい。 従来の2段階のインスタンス分割法とは異なり,画像形成を重なり合う2層の合成としてモデル化し,上層gcn層がoccluder(occluder)を検出し,下層gcn層がoccluded instance(occludee)を推定するbilayer convolutional network(bcnet)を提案する。 二重層構造との咬合関係の明示的なモデリングは、隠蔽と隠蔽の双方の境界を自然に分離し、マスク回帰中の相互作用を考察する。 バックボーンとネットワーク層の選択が異なる1段と2段の物体検出器の2層分離の有効性を検証する。 その単純さにもかかわらず、COCOとKINSに関する広範な実験により、BCNetは特に重閉塞の場合において、大規模かつ一貫したパフォーマンス向上を実現している。 コードはhttps://github.com/lkeab/BCNetで入手できる。

関連論文リスト

• Instance Segmentation of Dense and Overlapping Objects via Layering [8.870513218826083]
  本稿では,オブジェクト階層化による問題を解くための新しい手法を提案する。 空間的に分離されたオブジェクトを同じ層にグループ化することで、インスタンスを懸命に分離することができる。 後処理の最小化により,本手法は多様なデータセットに対して非常に競争力のある結果をもたらす。
  論文  参考訳（メタデータ） (2022-10-07T13:37:56Z)
• Occlusion-Aware Instance Segmentation via BiLayer Network Architectures [73.45922226843435]
  本稿では,2層畳み込みネットワーク(BCNet)を提案する。このネットワークでは,トップ層がオブジェクト(オブオーバ)を検出し,ボトム層が部分的にオブオーバドされたインスタンス(オブオーバド)を推測する。 一般的な畳み込みネットワーク設計,すなわちFCN(Fully Convolutional Network)とGCN(Graph Convolutional Network)を用いた2層構造の有効性について検討する。
  論文  参考訳（メタデータ） (2022-08-08T21:39:26Z)
• Beyond the Prototype: Divide-and-conquer Proxies for Few-shot Segmentation [63.910211095033596]
  少ないショットのセグメンテーションは、少数の濃密なラベル付けされたサンプルのみを与えられた、目に見えないクラスオブジェクトをセグメンテーションすることを目的としている。 分割・分散の精神において, 単純かつ多目的な枠組みを提案する。 提案手法は、DCP(disvision-and-conquer proxies)と呼ばれるもので、適切な信頼性のある情報の開発を可能にする。
  論文  参考訳（メタデータ） (2022-04-21T06:21:14Z)
• Decoupled Multi-task Learning with Cyclical Self-Regulation for Face Parsing [71.19528222206088]
  顔解析のための周期的自己統制型デカップリング型マルチタスク学習を提案する。 具体的には、DML-CSRは、顔解析、バイナリエッジ、カテゴリエッジ検出を含むマルチタスクモデルを設計する。 提案手法は,Helen,CelebA-HQ,LapaMaskのデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-28T02:12:30Z)
• Point Cloud Instance Segmentation with Semi-supervised Bounding-Box Mining [17.69745159912481]
  ラベル付きおよび未ラベルのバウンディングボックスを監視として使用した,最初の半教師付きポイントクラウドインスタンスセグメンテーションフレームワーク(SPIB)を紹介した。 提案手法は,近年の完全教師付き手法と比較して,競争性能が向上する。
  論文  参考訳（メタデータ） (2021-11-30T08:40:40Z)
• Robust Instance Segmentation through Reasoning about Multi-Object Occlusion [9.536947328412198]
  本稿では,隠蔽に頑健な多目的インスタンスセグメンテーションのためのディープネットワークを提案する。 私たちの研究は、神経機能アクティベーションの生成モデルを学習し、オクローダの発見に役立てています。 特に、オブジェクトクラスとそのインスタンスおよびオクルーダーセグメンテーションのフィードフォワード予測を得る。
  論文  参考訳（メタデータ） (2020-12-03T17:41:55Z)
• The Devil is in the Boundary: Exploiting Boundary Representation for Basis-based Instance Segmentation [85.153426159438]
  本研究では,既存のグローバルマスクベースの手法を補完するグローバル境界表現を学習するために,Basisベースのインスタンス(B2Inst)を提案する。 私たちのB2Instは一貫した改善をもたらし、シーン内のインスタンス境界を正確に解析します。
  論文  参考訳（メタデータ） (2020-11-26T11:26:06Z)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)
• BANet: Bidirectional Aggregation Network with Occlusion Handling for Panoptic Segmentation [30.008473359758632]
  Panoptic segmentationは、フォアグラウンドインスタンスのインスタンスセグメンテーションと、バックグラウンドオブジェクトのセマンティックセグメンテーションを同時に行うことを目的としている。 本稿では,双方向学習パイプラインに基づく新しい深部汎視的セグメンテーション手法を提案する。 COCOパン光学ベンチマーク実験の結果,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-03-31T08:57:14Z)

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。