論文の概要: Points2Polygons: Context-Based Segmentation from Weak Labels Using Adversarial Networks

• arxiv url: http://arxiv.org/abs/2106.02804v1
• Date: Sat, 5 Jun 2021 05:17:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-14 07:49:46.494761
• Title: Points2Polygons: Context-Based Segmentation from Weak Labels Using Adversarial Networks
• Title（参考訳）: ポイント2ポリゴン:逆ネットワークを用いた弱ラベルからのコンテキストベースセグメンテーション
• Authors: Kuai Yu, Hakeem Frank, Daniel Wilson
• Abstract要約: 画像セグメンテーションタスクでは、多数の正確なラベルをトレーニング用に提供できる能力は、推論時のモデルの精度に最優先される。 このオーバヘッドは無視されることが多く、最近提案されたセグメンテーションアーキテクチャは、最先端のアキュラシーを達成するために、基底真理ラベルの可用性と忠実さに大きく依存している。 本稿では,P2P(Points2Polygons,P2P)を紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In applied image segmentation tasks, the ability to provide numerous and precise labels for training is paramount to the accuracy of the model at inference time. However, this overhead is often neglected, and recently proposed segmentation architectures rely heavily on the availability and fidelity of ground truth labels to achieve state-of-the-art accuracies. Failure to acknowledge the difficulty in creating adequate ground truths can lead to an over-reliance on pre-trained models or a lack of adoption in real-world applications. We introduce Points2Polygons (P2P), a model which makes use of contextual metric learning techniques that directly addresses this problem. Points2Polygons performs well against existing fully-supervised segmentation baselines with limited training data, despite using lightweight segmentation models (U-Net with a ResNet18 backbone) and having access to only weak labels in the form of object centroids and no pre-training. We demonstrate this on several different small but non-trivial datasets. We show that metric learning using contextual data provides key insights for self-supervised tasks in general, and allow segmentation models to easily generalize across traditionally label-intensive domains in computer vision.
• Abstract（参考訳）: 適用された画像分割タスクでは、推論時のモデルの精度に、トレーニング用の多数の正確なラベルを提供する能力が最重要となる。 しかし、このオーバーヘッドはしばしば無視され、最近提案されたセグメンテーションアーキテクチャは、最先端の精度を達成するために、基底真理ラベルの可用性と忠実さに大きく依存している。 十分な基礎的な真実を生み出すことの難しさを認めないことは、事前訓練されたモデルへの過度な信頼や、現実のアプリケーションにおける採用の欠如につながる可能性がある。 我々は,この問題を直接扱う文脈的メトリック学習手法を用いたモデルであるpoints2polygons(p2p)を提案する。 points2polygonsは、軽量セグメンテーションモデル(resnet18バックボーンを持つu-net)を使用しても、トレーニングデータに制限のある、既存の完全教師付きセグメンテーションベースラインに対してうまく機能する。 いくつかの小さなデータセットでこれを実証する。 文脈データを用いたメトリクス学習は、一般に自己教師型タスクに重要な洞察を与え、セグメンテーションモデルがコンピュータビジョンにおいて従来のラベル集約ドメインを簡単に一般化できることを示す。

関連論文リスト

• UNIT: Unsupervised Online Instance Segmentation through Time [69.2787246878521]
  クラスに依存しないオンラインインスタンスのセグメンテーションとトラッキングの問題に対処する。 オブジェクトのオンライントラッキングを可能にする新しいトレーニングレシピを提案する。 我々のネットワークは擬似ラベルで訓練されており、手動のアノテーションは不要である。
  論文  参考訳（メタデータ） (2024-09-12T09:47:45Z)
• Physically Feasible Semantic Segmentation [58.17907376475596]
  最先端セマンティックセグメンテーションモデルは通常、データ駆動方式で最適化される。 本手法は,空間的クラス関係を規定する明示的な物理的制約を抽出する。 PhyFeaは、使用する最先端ネットワーク毎にmIoUが大幅に向上する。
  論文  参考訳（メタデータ） (2024-08-26T22:39:08Z)
• ContextSeg: Sketch Semantic Segmentation by Querying the Context with Attention [7.783971241874388]
  本稿では、この問題を2段階に分けて扱うための、シンプルかつ高効率なアプローチであるContextSegについて述べる。 第1段階では、ストロークの形状と位置情報をよりよく符号化するために、オートエンコーダネットワークにおける余分な密度距離場を予測することを提案する。 第2段階では、全ストロークを単一のエンティティとして扱い、デフォルトのアテンション機構を備えた自動回帰変換器を用いて、同じ意味部分内でストロークのグループをラベル付けする。
  論文  参考訳（メタデータ） (2023-11-28T10:53:55Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• A Pixel-Level Meta-Learner for Weakly Supervised Few-Shot Semantic Segmentation [40.27705176115985]
  Few-shotのセマンティックセマンティックセグメンテーションは、興味のある新しいクラスのために、地上の真実のピクセルレベルのラベルを持つ少数の画像しか利用できない学習タスクに対処する。 限られたデータとその意味ラベルから擬似画素レベルのセグメンテーションマスクを予測するメタラーニングフレームワークを提案する。 提案する学習モデルは,画素レベルのメタラーナーとみなすことができる。
  論文  参考訳（メタデータ） (2021-11-02T08:28:11Z)
• Stateless actor-critic for instance segmentation with high-level priors [3.752550648610726]
  インスタンスセグメンテーションはコンピュータビジョンの重要な問題であり、深層学習に基づく手法によって依然として困難である。 本稿では, グラフ分割問題としてインスタンス分割問題を定式化し, アクタ評論家は, 対象形状, 位置, 大きさの高レベル先行に対するセグメント化されたインスタンスの適合性に基づいて, 報酬によって引き起こされるエッジウェイトを予測した。 おもちゃと実際のデータセットの実験では、豊富な事前セットのみに基づいて直接監督することなく、優れたパフォーマンスを達成できることが示されています。
  論文  参考訳（メタデータ） (2021-07-06T13:20:14Z)
• Streaming Self-Training via Domain-Agnostic Unlabeled Images [62.57647373581592]
  視覚認識モデル学習の過程を民主化することを目的としたストリーミング自己学習(SST)を提案する。 SSTの鍵となるのは、(1)ドメインに依存しない未ラベル画像により、追加の知識や監督なしにいくつかのラベル付き例でより良いモデルを学ぶことができ、(2)学習は継続的なプロセスであり、学習更新のスケジュールを構築することで行うことができる。
  論文  参考訳（メタデータ） (2021-04-07T17:58:39Z)
• Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
  本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。 本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-07-10T15:41:29Z)
• Improving Semantic Segmentation via Self-Training [75.07114899941095]
  半教師付きアプローチ,特に自己学習パラダイムを用いて,最先端の成果を得ることができることを示す。 まず、ラベル付きデータに基づいて教師モデルを訓練し、次にラベルなしデータの大規模なセット上で擬似ラベルを生成する。 私たちの堅牢なトレーニングフレームワークは、人名と擬似ラベルを共同で消化し、Cityscapes、CamVid、KITTIデータセット上で最高のパフォーマンスを達成することができます。
  論文  参考訳（メタデータ） (2020-04-30T17:09:17Z)
• Reinforced active learning for image segmentation [34.096237671643145]
  深部強化学習(RL)に基づく意味的セグメンテーションのための新しいアクティブラーニング戦略を提案する。 エージェントは、ラベルなしデータのプールからラベル付けされる小さな情報領域(画像全体とは対照的に)のサブセットを選択するポリシーを学ぶ。 本手法では, 意味的セグメンテーション問題の大規模性質に適応して, 能動的学習のための深部Q-network (DQN) の定式化を新たに提案する。
  論文  参考訳（メタデータ） (2020-02-16T14:03:06Z)

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。