論文の概要: Unsupervised Foreground-Background Segmentation with Equivariant Layered GANs

• arxiv url: http://arxiv.org/abs/2104.00483v1
• Date: Thu, 1 Apr 2021 14:13:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-02 21:57:00.310308
• Title: Unsupervised Foreground-Background Segmentation with Equivariant Layered GANs
• Title（参考訳）: 等変層GANを用いた非教師付き前地背景セグメンテーション
• Authors: Yu Yang, Hakan Bilen, Qiran Zou, Wing Yin Cheung, Xiangyang Ji
• Abstract要約: GANから生成された合成擬似分節データセット上で分節ネットワークを訓練することにより,教師なし前景分節法を提案する。 前景層と背景層を効率的に生成し、それらをオーバーレイして新規な画像を生成するため、提案する同変層ganによりganを構成する。 本手法はCaltech-UCSD Birds や LSUN Car などの教師なしオブジェクトセグメンテーションデータセットを用いて評価し,最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 48.3919579579129
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose an unsupervised foreground-background segmentation method via training a segmentation network on the synthetic pseudo segmentation dataset generated from GANs, which are trained from a collection of images without annotations to explicitly disentangle foreground and background. To efficiently generate foreground and background layers and overlay them to compose novel images, the construction of such GANs is fulfilled by our proposed Equivariant Layered GAN, whose improvement, compared to the precedented layered GAN, is embodied in the following two aspects. (1) The disentanglement of foreground and background is improved by extending the previous perturbation strategy and introducing private code recovery that reconstructs the private code of foreground from the composite image. (2) The latent space of the layered GANs is regularized by minimizing our proposed equivariance loss, resulting in interpretable latent codes and better disentanglement of foreground and background. Our methods are evaluated on unsupervised object segmentation datasets including Caltech-UCSD Birds and LSUN Car, achieving state-of-the-art performance.
• Abstract（参考訳）: 本稿では,gansから生成された合成擬似セグメンテーションデータセット上でセグメンテーションネットワークを訓練し,注記のない画像の集合から学習し,前景と背景を明示的に不一致させる教師なし前景セグメンテーション手法を提案する。 表層・背景層を効率よく生成し, 新規画像の合成に重ね合わせるため, 提案した等変層状GANは, 先行層状GANと比較して, 以下の2つの面で改善されている。 1)前の摂動戦略を拡張し、合成画像から前景のプライベートコードを復元するプライベートコード復元を導入することにより、前景と背景の絡み合いを改善する。 2) 層状GANの潜伏空間は, 提案した等分散損失を最小限に抑え, 解釈可能な潜伏符号と前景と背景のゆがみを改善することで正規化される。 本手法はCaltech-UCSD Birds や LSUN Car などの教師なしオブジェクトセグメンテーションデータセットを用いて評価し,最先端の性能を実現する。

関連論文リスト

• Semantic-guided Adversarial Diffusion Model for Self-supervised Shadow Removal [5.083330121710086]
  GANベースのトレーニングは、しばしばモード崩壊や不安定な最適化といった問題に直面している。 自己教師付きシャドウ除去のための意味誘導逆拡散フレームワークを提案する。 複数の公開データセットで実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-07-01T09:14:38Z)
• GIFD: A Generative Gradient Inversion Method with Feature Domain Optimization [52.55628139825667]
  Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。 近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。 textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T04:34:21Z)
• ILSGAN: Independent Layer Synthesis for Unsupervised Foreground-Background Segmentation [49.61394755739333]
  教師なしフォアグラウンド・バックグラウンド・セグメンテーションは、散らかった背景から有能な物体を抽出することを目的としている。 我々は、ILSGAN(Independent Layer Synthesis GAN)と呼ばれる、単純かつ効果的な明示的な層独立性モデリング手法を提案する。 我々のILSGANは、複雑な実世界のデータに対して、強力な最先端の生成品質とセグメンテーション性能を実現する。
  論文  参考訳（メタデータ） (2022-11-25T09:35:46Z)
• Progressively Dual Prior Guided Few-shot Semantic Segmentation [57.37506990980975]
  Few-shotのセマンティックセマンティックセマンティクスタスクは、いくつかのアノテーション付きサポートサンプルを使用して、クエリイメージのセマンティクスを実行することを目的としている。 本稿では,先進的に2重にガイドされた数発のセマンティックセマンティックセグメンテーションネットワークを提案する。
  論文  参考訳（メタデータ） (2022-11-20T16:19:47Z)
• Finding an Unsupervised Image Segmenter in Each of Your Deep Generative Models [92.92095626286223]
  我々は,前景・後景画像分離に繋がる方向を求める自動手順を開発した。 これらの方向を用いて、人間の監督なしに画像分割モデルを訓練する。
  論文  参考訳（メタデータ） (2021-05-17T19:34:24Z)
• Labels4Free: Unsupervised Segmentation using StyleGAN [40.39780497423365]
  本稿では,StyleGAN生成オブジェクトに対する教師なしセグメンテーションフレームワークを提案する。 最先端の教師付きセグメンテーションネットワークに対する比較結果について報告する。
  論文  参考訳（メタデータ） (2021-03-27T18:59:22Z)
• Deep Semantic Matching with Foreground Detection and Cycle-Consistency [103.22976097225457]
  深層ネットワークに基づく弱い教師付きセマンティックマッチングに対処する。 本研究では,背景乱れの影響を抑えるために,前景領域を明示的に推定する。 複数の画像にまたがって予測変換を強制し、幾何的に可視かつ一貫したサイクル一貫性の損失を発生させる。
  論文  参考訳（メタデータ） (2020-03-31T22:38:09Z)

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。