論文の概要: Unsupervised Part Segmentation through Disentangling Appearance and
Shape
- arxiv url: http://arxiv.org/abs/2105.12405v1
- Date: Wed, 26 May 2021 08:59:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-27 22:00:41.057478
- Title: Unsupervised Part Segmentation through Disentangling Appearance and
Shape
- Title(参考訳): 外観と形状を異にする非教師的部分分割
- Authors: Shilong Liu, Lei Zhang, Xiao Yang, Hang Su, Jun Zhu
- Abstract要約: 対象部品の非監視的発見とセグメンテーションの問題について検討する。
最近の教師なし手法は注釈付きデータへの依存を大いに緩和している。
対象部品の外観と形状の表現を両立させることにより,新しいアプローチを開発する。
- 参考スコア(独自算出の注目度): 37.206922180245265
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study the problem of unsupervised discovery and segmentation of object
parts, which, as an intermediate local representation, are capable of finding
intrinsic object structure and providing more explainable recognition results.
Recent unsupervised methods have greatly relaxed the dependency on annotated
data which are costly to obtain, but still rely on additional information such
as object segmentation mask or saliency map. To remove such a dependency and
further improve the part segmentation performance, we develop a novel approach
by disentangling the appearance and shape representations of object parts
followed with reconstruction losses without using additional object mask
information. To avoid degenerated solutions, a bottleneck block is designed to
squeeze and expand the appearance representation, leading to a more effective
disentanglement between geometry and appearance. Combined with a
self-supervised part classification loss and an improved geometry concentration
constraint, we can segment more consistent parts with semantic meanings.
Comprehensive experiments on a wide variety of objects such as face, bird, and
PASCAL VOC objects demonstrate the effectiveness of the proposed method.
- Abstract(参考訳): 対象部品の非監視的発見とセグメント化の問題について検討し, 中間的局所表現として本質的な対象構造を見つけ, より説明可能な認識結果を提供する。
最近の教師なしメソッドでは、取得にコストがかかるが、オブジェクトセグメンテーションマスクやサリエンシーマップなどの追加情報に依存する、注釈付きデータへの依存が大幅に緩和されている。
このような依存を取り除き、さらに部品のセグメンテーション性能を向上させるため、追加の被写体マスク情報を用いずに、被写体部品の外観と形状表現と復元損失を区別して新しいアプローチを開発する。
劣化した解を避けるため、ボトルネックブロックは外観表現を絞って拡大するように設計され、幾何学と外観のより効果的な絡み合いを生じさせる。
自己教師付き部分分類損失と改良された幾何集中制約を組み合わせることで、より一貫性のある部分と意味的意味をセグメント化することができる。
顔, 鳥, PASCAL VOCなどの多種多様な物体に対する総合的な実験により, 提案手法の有効性が示された。
関連論文リスト
- EAGLE: Eigen Aggregation Learning for Object-Centric Unsupervised Semantic Segmentation [5.476136494434766]
意味的類似性行列から派生した固有ベイズを通して意味的および構造的手がかりを提供する手法であるEiCueを紹介する。
オブジェクトレベルの表現を画像内および画像間の整合性で学習する。
COCO-Stuff、Cityscapes、Potsdam-3データセットの実験では、最先端のUSSの結果が示されている。
論文 参考訳(メタデータ) (2024-03-03T11:24:16Z) - Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。
画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。
オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
論文 参考訳(メタデータ) (2023-07-07T04:03:48Z) - Deep Spectral Methods: A Surprisingly Strong Baseline for Unsupervised
Semantic Segmentation and Localization [98.46318529630109]
画像分解をグラフ分割問題として再フレーミングすることで,従来のスペクトル分割法から着想を得た。
これらの固有ベクトルはすでにイメージを意味のあるセグメントに分解しており、シーン内のオブジェクトのローカライズに容易に利用できる。
データセットにまたがるこれらのセグメントに関連する機能をクラスタ化することで、明確に定義された、名前付き可能なリージョンを得ることができる。
論文 参考訳(メタデータ) (2022-05-16T17:47:44Z) - Self-Supervised Video Object Segmentation via Cutout Prediction and
Tagging [117.73967303377381]
本稿では, 自己教師型ビデオオブジェクト(VOS)アプローチを提案する。
本手法は,対象情報と背景情報の両方を考慮した識別学習損失の定式化に基づく。
提案手法であるCT-VOSは, DAVIS-2017 と Youtube-VOS の2つの挑戦的なベンチマークにおいて,最先端の結果を達成している。
論文 参考訳(メタデータ) (2022-04-22T17:53:27Z) - Unsupervised Part Discovery from Contrastive Reconstruction [90.88501867321573]
自己監督型視覚表現学習の目標は、強く伝達可能な画像表現を学習することである。
対象部分の発見とセグメンテーションに対する教師なしアプローチを提案する。
本手法は, 細粒度, 視覚的に異なるカテゴリ間でセマンティックな部分を生成する。
論文 参考訳(メタデータ) (2021-11-11T17:59:42Z) - Unsupervised Discovery of the Long-Tail in Instance Segmentation Using
Hierarchical Self-Supervision [3.841232411073827]
本稿では,インスタンスセグメンテーションにおける長尾カテゴリの非監視的発見を行う手法を提案する。
我々のモデルは、一般的なカテゴリよりも新しくよりきめ細かなオブジェクトを発見できる。
本モデルでは,LVISにおいて,教師付きおよび部分教師付き手法と比較して,競争力のある定量的結果が得られることを示す。
論文 参考訳(メタデータ) (2021-04-02T22:05:03Z) - Self-supervised Segmentation via Background Inpainting [96.10971980098196]
移動可能なカメラで撮影された単一の画像で、自己教師付き検出とセグメンテーションのアプローチを導入する。
我々は、提案に基づくセグメンテーションネットワークのトレーニングに利用する自己教師付き損失関数を利用する。
本手法は,標準ベンチマークから視覚的に切り離された画像の人間の検出とセグメント化に応用し,既存の自己監督手法より優れていることを示す。
論文 参考訳(メタデータ) (2020-11-11T08:34:40Z) - Unsupervised Part Discovery by Unsupervised Disentanglement [10.664434993386525]
部分分割は、個々のピクセルのレベルにおける部分ローカライゼーションに関する情報を提供する。
大きなアノテーションのコストは、教師付きアルゴリズムのスケーラビリティを他のオブジェクトカテゴリに制限します。
我々の研究は、監督なしに意味的部分のセグメンテーションを発見できる可能性を示している。
論文 参考訳(メタデータ) (2020-09-09T12:34:37Z)
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。