論文の概要: ContourRender: Detecting Arbitrary Contour Shape For Instance Segmentation In One Pass

• arxiv url: http://arxiv.org/abs/2106.03382v1
• Date: Mon, 7 Jun 2021 07:23:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-08 18:02:48.927855
• Title: ContourRender: Detecting Arbitrary Contour Shape For Instance Segmentation In One Pass
• Title（参考訳）: ContourRender: 任意の輪郭形状を検知してインスタンスのセグメンテーションをワンパスで行う
• Authors: Tutian Tang, Wenqiang Xu, Ruolin Ye, Yan-Feng Wang, Cewu Lu
• Abstract要約: 一方のパスにおける輪郭点の回帰の難しさは、滑らかな輪郭をポリゴンに識別する際のあいまいさが主な原因である。 あいまいさに対処するために,textbfContourRender という新しい差別化可能なレンダリング方式を提案する。 まず、可逆形状シグネチャによって生成された輪郭を予測し、それから、より安定したシルエットで輪郭を最適化し、それを輪郭メッシュに変換してメッシュを2Dマップにレンダリングする。
• 参考スコア（独自算出の注目度）: 48.57232627854642
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Direct contour regression for instance segmentation is a challenging task. Previous works usually achieve it by learning to progressively refine the contour prediction or adopting a shape representation with limited expressiveness. In this work, we argue that the difficulty in regressing the contour points in one pass is mainly due to the ambiguity when discretizing a smooth contour into a polygon. To address the ambiguity, we propose a novel differentiable rendering-based approach named \textbf{ContourRender}. During training, it first predicts a contour generated by an invertible shape signature, and then optimizes the contour with the more stable silhouette by converting it to a contour mesh and rendering the mesh to a 2D map. This method significantly improves the quality of contour without iterations or cascaded refinements. Moreover, as optimization is not needed during inference, the inference speed will not be influenced. Experiments show the proposed ContourRender outperforms all the contour-based instance segmentation approaches on COCO, while stays competitive with the iteration-based state-of-the-art on Cityscapes. In addition, we specifically select a subset from COCO val2017 named COCO ContourHard-val to further demonstrate the contour quality improvements. Codes, models, and dataset split will be released.
• Abstract（参考訳）: 例のセグメンテーションに対する直接の輪郭回帰は難しい課題である。 先行研究は通常、輪郭予測を段階的に洗練するか、表現力に制限のある形状表現を採用することで達成される。 本研究では,滑らかな輪郭を多角形に識別する際,一パスの輪郭点の回帰の難しさは,主にあいまいさに起因すると論じる。 この曖昧さに対処するために、新しい微分可能なレンダリングベースアプローチである \textbf{contourrender} を提案する。 トレーニング中、まず可逆形状署名によって生成された輪郭を予測し、その後、輪郭メッシュに変換してメッシュを2dマップにすることで、より安定したシルエットとの輪郭を最適化する。 この手法は、反復や逐次的な改良なしに輪郭の質を大幅に改善する。 さらに、推論中に最適化が不要であるため、推論速度は影響を受けない。 実験では、提案されたContourRenderがCOCO上のすべてのcontourベースのインスタンスセグメンテーションアプローチより優れており、Cityscapesの反復ベースの最先端と競合する。 さらに、COCO val2017からCOCO ContourHard-valというサブセットを選択して、輪郭品質の改善をさらに実証する。 コード、モデル、データセットの分割がリリースされる。

関連論文リスト

• AdaContour: Adaptive Contour Descriptor with Hierarchical Representation [52.381359663689004]
  既存の角度ベースの輪郭記述子は、星以外の形状の損失表現に悩まされる。 AdaConは、他のディスクリプタよりも正確に形を表現できる。
  論文  参考訳（メタデータ） (2024-04-12T07:30:24Z)
• Corner-to-Center Long-range Context Model for Efficient Learned Image Compression [70.0411436929495]
  学習された画像圧縮のフレームワークでは、コンテキストモデルは潜在表現間の依存関係をキャプチャする上で重要な役割を果たす。 本研究では,textbfCorner-to-Center 変換器を用いたコンテキストモデル (C$3$M) を提案する。 また,解析および合成変換における受容場を拡大するために,エンコーダ/デコーダのLong-range Crossing Attention Module (LCAM) を用いる。
  論文  参考訳（メタデータ） (2023-11-29T21:40:28Z)
• High-fidelity Interpretable Inverse Rig: An Accurate and Sparse Solution Optimizing the Quartic Blendshape Model [0.0]
  本研究では,現実的な人間の顔アニメーションにおける逆リグ問題を解くことで,任意の精度のブレンドシェープリグモデルに適合する手法を提案する。 提案手法は,最先端手法に匹敵するメッシュエラーの解が得られることを示す。
  論文  参考訳（メタデータ） (2023-02-09T18:15:08Z)
• Recurrent Generic Contour-based Instance Segmentation with Progressive Learning [111.31166268300817]
  本稿では,一般的な輪郭型インスタンスセグメンテーションのための新しいディープネットワークアーキテクチャ,すなわちPolySnakeを提案する。 従来のSnakeアルゴリズムに動機付け,提案したPolySnakeはより優れた,堅牢な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） (2023-01-21T05:34:29Z)
• SharpContour: A Contour-based Boundary Refinement Approach for Efficient and Accurate Instance Segmentation [29.051499127975703]
  我々は,境界領域の分割に対処するために,SharpContourという名前の効率的な輪郭ベース境界修正手法を提案する。 本手法は、オフセットを個別に更新することで、輪郭を反復的に変形させる。 実験により、SharpContourは高い効率を保ちながら競争上の利益を達成することが示された。
  論文  参考訳（メタデータ） (2022-03-24T19:37:20Z)
• Deep Rectangling for Image Stitching: A Learning Baseline [57.76737888499145]
  我々は不規則な境界やシーンに大きな多様性を持つ最初の画像縫合整形データセットを構築した。 実験では、従来の方法よりも定量的にも質的にも優位性を示す。
  論文  参考訳（メタデータ） (2022-03-08T03:34:10Z)
• Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
  本稿では,3次元形状対応のための教師なし学習手法を提案する。 提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-28T22:24:07Z)
• ContourRend: A Segmentation Method for Improving Contours by Rendering [10.13129256609938]
  マスクベースのセグメンテーションは粗い予測グリッドで輪郭特徴をうまく扱えない。 本稿では,畳み込み輪郭を改良するために畳み込み輪郭を用いるContourendを提案する。 本手法は, 平均結合面積が72.41%に達し, ベースラインのポリゴンGCNを1.22%超える。
  論文  参考訳（メタデータ） (2020-07-15T02:16:00Z)
• ProAlignNet : Unsupervised Learning for Progressively Aligning Noisy Contours [12.791313859673187]
  ProAlignNetは、輪郭形状間の大規模なミスアライメントと複雑な変換を説明できる。 近接感度および局所形状依存類似度測定値の上界から導出される新しい損失関数を用いて学習する。 実世界の2つの応用において、提案したモデルは最先端の手法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2020-05-23T14:56:14Z)

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。