論文の概要: Affinity Attention Graph Neural Network for Weakly Supervised Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2106.04054v1
• Date: Tue, 8 Jun 2021 02:19:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-09 15:58:32.228582
• Title: Affinity Attention Graph Neural Network for Weakly Supervised Semantic Segmentation
• Title（参考訳）: 弱教師付きセマンティックセグメンテーションのための親和性注意グラフニューラルネットワーク
• Authors: Bingfeng Zhang, Jimin Xiao, Jianbo Jiao, Yunchao Wei, Yao Zhao
• Abstract要約: 弱教師付きセマンティックセグメンテーションのための親和性注意グラフニューラルネットワーク(A2$GNN)を提案する。 提案手法は,Pascal VOC 2012データセット上での最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 86.44301443789763
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weakly supervised semantic segmentation is receiving great attention due to its low human annotation cost. In this paper, we aim to tackle bounding box supervised semantic segmentation, i.e., training accurate semantic segmentation models using bounding box annotations as supervision. To this end, we propose Affinity Attention Graph Neural Network ($A^2$GNN). Following previous practices, we first generate pseudo semantic-aware seeds, which are then formed into semantic graphs based on our newly proposed affinity Convolutional Neural Network (CNN). Then the built graphs are input to our $A^2$GNN, in which an affinity attention layer is designed to acquire the short- and long- distance information from soft graph edges to accurately propagate semantic labels from the confident seeds to the unlabeled pixels. However, to guarantee the precision of the seeds, we only adopt a limited number of confident pixel seed labels for $A^2$GNN, which may lead to insufficient supervision for training. To alleviate this issue, we further introduce a new loss function and a consistency-checking mechanism to leverage the bounding box constraint, so that more reliable guidance can be included for the model optimization. Experiments show that our approach achieves new state-of-the-art performances on Pascal VOC 2012 datasets (val: 76.5\%, test: 75.2\%). More importantly, our approach can be readily applied to bounding box supervised instance segmentation task or other weakly supervised semantic segmentation tasks, with state-of-the-art or comparable performance among almot all weakly supervised tasks on PASCAL VOC or COCO dataset. Our source code will be available at https://github.com/zbf1991/A2GNN.
• Abstract（参考訳）: 弱い教師付きセマンティックセグメンテーションは、人間のアノテーションコストが低いために大きな注目を集めている。 本稿では,境界ボックスアノテーションを監督として,教師付き意味セグメンテーション,すなわち正確な意味セグメンテーションモデルを訓練することを目的とした。 この目的のために、親和性注意グラフニューラルネットワーク(A^2$GNN)を提案する。 これまでに提案した親和性畳み込みニューラルネットワーク(CNN)に基づいて,まず擬似意味認識種子を生成した。 次に、構築したグラフを$a^2$gnnに入力し、親和性注意層がソフトグラフエッジから短距離および長距離情報を取得し、自信のある種からラベルなし画素に意味ラベルを正確に伝播するように設計する。 しかし, 種子の精度を保証するため, A^2$GNNに対して, 信頼度の高い種子ラベルを限定的に採用するだけで, トレーニングの監督が不十分になる可能性がある。 この問題を軽減するため,我々はさらに,境界ボックス制約を活用するための新しい損失関数と一貫性チェック機構を導入し,より信頼性の高いガイダンスをモデル最適化に含める。 実験の結果,Pascal VOC 2012データセット(val:76.5\%,test:75.2\%)上での最先端のパフォーマンスが得られた。 さらに重要なことに、このアプローチはバウンディングボックスの教師付きインスタンスセグメンテーションタスクや他の弱い教師付きセマンティックセグメンテーションタスクに容易に適用でき、pascal vocまたはcocoデータセット上のすべての弱い教師付きタスクに対して最先端または同等の性能を提供することができます。 ソースコードはhttps://github.com/zbf1991/A2GNNで公開されます。

関連論文リスト

• Edge-aware Plug-and-play Scheme for Semantic Segmentation [4.297988192695948]
  提案手法は, 改良を伴わない任意の最先端(SOTA)モデルにシームレスに統合できる。 実験結果から,提案手法は改良を伴わない任意の最先端(SOTA)モデルにシームレスに統合できることが示唆された。
  論文  参考訳（メタデータ） (2023-03-18T02:17:37Z)
• 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)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Background-Aware Pooling and Noise-Aware Loss for Weakly-Supervised Semantic Segmentation [27.50216933606052]
  バウンディングボックスアノテーションを用いた弱い教師付きセマンティックセグメンテーションの問題に対処する。 背景領域は画像内の一部で知覚的に一貫性があり、オブジェクト境界ボックス内の前景と背景領域を識別するために利用することができる。 ノイズ認識損失(nal)により,誤りラベルに対するネットワークの感受性が低下する。
  論文  参考訳（メタデータ） (2021-04-02T06:38:41Z)
• Scribble-Supervised Semantic Segmentation by Uncertainty Reduction on Neural Representation and Self-Supervision on Neural Eigenspace [21.321005898976253]
  Scribble-supervised セマンティックセグメンテーションは、最近、高品質のアノテーションのない有望なパフォーマンスで多くの注目を集めています。 この研究は、追加情報やその他の制限なしに直接スクリブルアノテーションによってセマンティックセグメンテーションを達成することを目的とする。 本稿では,神経表現におけるエントロピーの最小化とネットワーク埋め込みランダムウォークによる不確実性低減を含む総合的操作を提案する。
  論文  参考訳（メタデータ） (2021-02-19T12:33:57Z)
• Unsupervised Semantic Segmentation by Contrasting Object Mask Proposals [78.12377360145078]
  画素埋め込みを学習するために、コントラスト最適化の目的として、予め決められた事前を取り入れた新しい2段階フレームワークを導入する。 これは、プロキシタスクやエンドツーエンドのクラスタリングに依存する既存の作業から大きく逸脱している。 特に、PASCALでラベル付き例の1%だけを用いて学習した表現を微調整すると、7.1% mIoUで教師付き ImageNet の事前トレーニングを上回ります。
  論文  参考訳（メタデータ） (2021-02-11T18:54:47Z)
• Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
  この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。 画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。 特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
  論文  参考訳（メタデータ） (2020-12-09T12:40:13Z)
• Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
  我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。 空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。 提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-06T12:17:01Z)

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。