論文の概要: Look Closer to Segment Better: Boundary Patch Refinement for Instance Segmentation

• arxiv url: http://arxiv.org/abs/2104.05239v1
• Date: Mon, 12 Apr 2021 07:10:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-13 14:08:30.855519
• Title: Look Closer to Segment Better: Boundary Patch Refinement for Instance Segmentation
• Title（参考訳）: セグメンテーションの改善に近づいた - インスタンスセグメンテーションのための境界パッチリファインメント
• Authors: Chufeng Tang, Hang Chen, Xiao Li, Jianmin Li, Zhaoxiang Zhang, Xiaolin Hu
• Abstract要約: 境界品質を改善するために,概念的にシンプルで効果的な後処理改善フレームワークを提案する。 提案されたBPRフレームワークは、CityscapesベンチマークのMask R-CNNベースラインを大幅に改善する。 BPRフレームワークをPolyTransform + SegFixベースラインに適用することで、Cityscapesのリーダーボードで1位に到達しました。
• 参考スコア（独自算出の注目度）: 51.59290734837372
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tremendous efforts have been made on instance segmentation but the mask quality is still not satisfactory. The boundaries of predicted instance masks are usually imprecise due to the low spatial resolution of feature maps and the imbalance problem caused by the extremely low proportion of boundary pixels. To address these issues, we propose a conceptually simple yet effective post-processing refinement framework to improve the boundary quality based on the results of any instance segmentation model, termed BPR. Following the idea of looking closer to segment boundaries better, we extract and refine a series of small boundary patches along the predicted instance boundaries. The refinement is accomplished by a boundary patch refinement network at higher resolution. The proposed BPR framework yields significant improvements over the Mask R-CNN baseline on Cityscapes benchmark, especially on the boundary-aware metrics. Moreover, by applying the BPR framework to the PolyTransform + SegFix baseline, we reached 1st place on the Cityscapes leaderboard.
• Abstract（参考訳）: ケースセグメンテーションに厳しい取り組みがなされているが、マスクの品質はまだ満足できない。 予測されたインスタンスマスクの境界は通常、特徴写像の空間分解能が低いことと、非常に低い境界画素による不均衡の問題のために不正確である。 これらの問題に対処するため,我々はbprと呼ばれる任意のインスタンスセグメンテーションモデルの結果に基づいて境界品質を改善するために,概念的に単純かつ効果的な後処理改善フレームワークを提案する。 セグメント境界をよりよく見るというアイデアに続いて、予測されたインスタンス境界に沿って、一連の小さな境界パッチを抽出し、精査する。 この改良は、より高解像度のバウンダリパッチリファインメントネットワークによって達成される。 提案したBPRフレームワークはCityscapesベンチマークのMask R-CNNベースラインよりも大幅に改善されている。 さらに、PolyTransform + SegFixベースラインにBPRフレームワークを適用することで、Cityscapesのリーダーボードで1位に到達しました。

関連論文リスト

• PNM: Pixel Null Model for General Image Segmentation [17.971090313814447]
  ランダムセグメンタによって正しく分類される確率に応じて各ピクセルを重み付けする先行モデルを提案する。 3つのデータセットに対するセグメンテーションのセグメンテーション・タスクの実験により、PNMはセグメンテーションの品質を一貫して改善することを確認した。 本稿では,境界のシャープさを認識できる新しい測度であるtextitPNM IoUを提案する。
  論文  参考訳（メタデータ） (2022-03-13T15:17:41Z)
• Boundary Guided Context Aggregation for Semantic Segmentation [23.709865471981313]
  我々は、画像の全体的意味理解を促進するために、コンテキストアグリゲーションのための重要なガイダンスとして境界を利用する。 我々はCityscapesとADE20Kデータベースに関する広範な実験を行い、最先端の手法で同等の結果を得る。
  論文  参考訳（メタデータ） (2021-10-27T17:04:38Z)
• Boundary IoU: Improving Object-Centric Image Segmentation Evaluation [125.20898025044804]
  境界品質に着目した新たなセグメンテーション評価手法であるBoundary IoUを紹介します。 境界IoUは、大きなオブジェクトの境界誤差に対して標準のMask IoU測度よりもはるかに感度が高く、小さなオブジェクトの誤差を過給しない。
  論文  参考訳（メタデータ） (2021-03-30T17:59:20Z)
• 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)
• Think about boundary: Fusing multi-level boundary information for landmark heatmap regression [51.48533538153833]
  顔の境界とランドマークの関係を探索するための2段階のエンドツーエンドアプローチについて検討する。 境界対応ランドマーク予測は,自己校正境界推定(SCBE)モジュールと境界対応ランドマーク変換(BALT)モジュールの2つのモジュールで構成される。 我々の手法は文学における最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-08-25T10:14:13Z)
• SegFix: Model-Agnostic Boundary Refinement for Segmentation [75.58050758615316]
  既存のセグメンテーションモデルによって生成されるセグメンテーション結果の境界品質を改善するためのモデルに依存しない後処理方式を提案する。 内部画素のラベル予測がより信頼性が高いという実証的な観察により、我々は、内部画素の予測によって、もともと信頼できない境界画素の予測を置き換えることを提案する。
  論文  参考訳（メタデータ） (2020-07-08T17:08:08Z)
• DeepStrip: High Resolution Boundary Refinement [60.00241966809684]
  関心領域をストリップ画像に変換し、ストリップ領域の境界予測を計算することを提案する。 対象境界を検出するために,2つの予測層を持つフレームワークを提案する。 我々は、誤報を減らすために、整合性とC0連続性正規化をネットワークに強制する。
  論文  参考訳（メタデータ） (2020-03-25T22:44:48Z)

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。