論文の概要: Deep Gaussian Processes for Few-Shot Segmentation

• arxiv url: http://arxiv.org/abs/2103.16549v1
• Date: Tue, 30 Mar 2021 17:56:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-31 14:48:59.206236
• Title: Deep Gaussian Processes for Few-Shot Segmentation
• Title（参考訳）: マイトショットセグメンテーションのための深いガウス過程
• Authors: Joakim Johnander, Johan Edstedt, Martin Danelljan, Michael Felsberg, Fahad Shahbaz Khan
• Abstract要約: 少数ショットのセグメンテーションは難しい作業であり、いくつかの注釈付きサンプルから一般化可能な表現を抽出する必要がある。 ガウス過程(GP)回帰に基づく数ショット学習者定式化を提案する。 PASCAL-5i と COCO-20i では mIoU スコアが68.1 と 49.8 である。
• 参考スコア（独自算出の注目度）: 66.08463078545306
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Few-shot segmentation is a challenging task, requiring the extraction of a generalizable representation from only a few annotated samples, in order to segment novel query images. A common approach is to model each class with a single prototype. While conceptually simple, these methods suffer when the target appearance distribution is multi-modal or not linearly separable in feature space. To tackle this issue, we propose a few-shot learner formulation based on Gaussian process (GP) regression. Through the expressivity of the GP, our approach is capable of modeling complex appearance distributions in the deep feature space. The GP provides a principled way of capturing uncertainty, which serves as another powerful cue for the final segmentation, obtained by a CNN decoder. We further exploit the end-to-end learning capabilities of our approach to learn the output space of the GP learner, ensuring a richer encoding of the segmentation mask. We perform comprehensive experimental analysis of our few-shot learner formulation. Our approach sets a new state-of-the-art for 5-shot segmentation, with mIoU scores of 68.1 and 49.8 on PASCAL-5i and COCO-20i, respectively
• Abstract（参考訳）: 少数ショットのセグメンテーションは難しい課題であり、新しいクエリ画像をセグメント化するために、いくつかの注釈付きサンプルから一般化可能な表現を抽出する必要がある。 一般的なアプローチは、各クラスを単一のプロトタイプでモデル化することです。 概念的には単純であるが、対象の出現分布がマルチモーダルである場合や特徴空間において線形に分離できない場合、これらの手法は苦しむ。 そこで本研究では,ガウス過程(gp)回帰に基づく数発学習者定式化を提案する。 GPの表現性を通じて、我々は、深い特徴空間における複雑な外観分布をモデル化することができる。 gpは不確かさを捉えるための原理的な方法を提供し、cnnデコーダによって得られる最終セグメンテーションに対するもう一つの強力な手がかりとなる。 さらに,GP学習者の出力空間を学習するためのアプローチのエンドツーエンド学習機能を活用し,セグメンテーションマスクのよりリッチな符号化を実現する。 数発の学習者の定式化に関する総合的な実験分析を行う。 PASCAL-5i と COCO-20i の mIoU スコアは68.1 と 49.8 である。

関連論文リスト

• Hierarchical Dense Correlation Distillation for Few-Shot Segmentation-Extended Abstract [47.85056124410376]
  Few-shot semantic segmentation (FSS) は、いくつかのアノテーションだけで見えないクラスをセグメンテーションするクラスに依存しないモデルを構築することを目的としている。 我々は、トランスアーキテクチャに基づく階層的分離マッチングネットワーク(HDMNet)マイニングピクセルレベルのサポート相関を設計する。 本稿では,列車セットの過度適合を低減し,粗い分解から意味対応を生かした相関蒸留を導入し,細粒度セグメンテーションを向上するマッチングモジュールを提案する。
  論文  参考訳（メタデータ） (2023-06-27T08:10:20Z)
• Interactive Segmentation as Gaussian Process Classification [58.44673380545409]
  クリックベースのインタラクティブセグメンテーション(IS)は、ユーザインタラクション下で対象オブジェクトを抽出することを目的としている。 現在のディープラーニング(DL)ベースの手法のほとんどは、主にセマンティックセグメンテーションの一般的なパイプラインに従っている。 本稿では,各画像上でガウス過程(GP)に基づく画素単位のバイナリ分類モデルとしてISタスクを定式化することを提案する。
  論文  参考訳（メタデータ） (2023-02-28T14:01:01Z)
• 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)
• Learning What Not to Segment: A New Perspective on Few-Shot Segmentation [63.910211095033596]
  近年では、FSS ( few-shot segmentation) が広く開発されている。 本稿では,問題を緩和するための新鮮で直接的な知見を提案する。 提案されたアプローチのユニークな性質を踏まえて、より現実的で挑戦的な設定にまで拡張する。
  論文  参考訳（メタデータ） (2022-03-15T03:08:27Z)
• Dense Gaussian Processes for Few-Shot Segmentation [66.08463078545306]
  本稿では,高密度ガウス過程(GP)回帰に基づく数発のセグメンテーション法を提案する。 GPの高次元出力空間を学習するために,提案手法のエンドツーエンド学習機能を利用する。 提案手法では,PASCAL-5$i$とCOCO-20$i$のベンチマークで,1ショットと5ショットのFSSをそれぞれ新たな最先端に設定する。
  論文  参考訳（メタデータ） (2021-10-07T17:57:54Z)
• 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)
• Self-Guided and Cross-Guided Learning for Few-Shot Segmentation [12.899804391102435]
  単発セグメンテーションのための自己誘導学習手法を提案する。 注釈付き支持画像の初期予測を行うことにより、被覆および検出された前景領域を一次および補助支持ベクトルに符号化する。 プライマリサポートベクターと補助サポートベクターの両方を集約することで、クエリイメージ上でより良いセグメンテーション性能が得られます。
  論文  参考訳（メタデータ） (2021-03-30T07:36:41Z)

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。