論文の概要: KRADA: Known-region-aware Domain Alignment for Open World Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2106.06237v1
• Date: Fri, 11 Jun 2021 08:43:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-14 14:21:51.465894
• Title: KRADA: Known-region-aware Domain Alignment for Open World Semantic Segmentation
• Title（参考訳）: KRADA: オープンワールドセマンティックセグメンテーションのためのノウンリージョン対応ドメインアライメント
• Authors: Chenhong Zhou, Feng Liu, Chen Gong, Tongliang Liu, Bo Han, William Cheung
• Abstract要約: セマンティックセグメンテーションでは、画像中のすべてのピクセルにカテゴリラベルを割り当てるために、ピクセルレベルの分類器を訓練することを目指している。 オープンな世界では、ラベル付けされていないテスト画像はおそらく未知のカテゴリを含み、ラベル付けされた画像とは異なる分布を持つ。 本稿では,未知のクラスを識別し,ラベル付きおよびラベルなしのオープンワールド画像中の既知のクラスの分布を整列する,エンドツーエンドの学習フレームワークKRADAを提案する。
• 参考スコア（独自算出の注目度）: 64.03817806316903
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In semantic segmentation, we aim to train a pixel-level classifier to assign category labels to all pixels in an image, where labeled training images and unlabeled test images are from the same distribution and share the same label set. However, in an open world, the unlabeled test images probably contain unknown categories and have different distributions from the labeled images. Hence, in this paper, we consider a new, more realistic, and more challenging problem setting where the pixel-level classifier has to be trained with labeled images and unlabeled open-world images -- we name it open world semantic segmentation (OSS). In OSS, the trained classifier is expected to identify unknown-class pixels and classify known-class pixels well. To solve OSS, we first investigate which distribution that unknown-class pixels obey. Then, motivated by the goodness-of-fit test, we use statistical measurements to show how a pixel fits the distribution of an unknown class and select highly-fitted pixels to form the unknown region in each image. Eventually, we propose an end-to-end learning framework, known-region-aware domain alignment (KRADA), to distinguish unknown classes while aligning distributions of known classes in labeled and unlabeled open-world images. The effectiveness of KRADA has been verified on two synthetic tasks and one COVID-19 segmentation task.
• Abstract（参考訳）: 意味セグメンテーションでは,画像内のすべての画素にカテゴリラベルを割り当てるようにピクセルレベル分類器を訓練し,ラベル付きトレーニング画像とラベルなしテスト画像は同じ分布から取得し,同じラベルセットを共有する。 しかし、オープン世界では、ラベルのないテスト画像は、おそらく未知のカテゴリを含み、ラベル付き画像とは異なる分布を持つ。 そこで,本稿では,ラベル付きイメージと未ラベルのオープンワールドイメージでピクセルレベルの分類器をトレーニングしなければならない,新たな,より現実的な,より困難な問題設定について検討する。 OSSでは、訓練された分類器が未知のクラスピクセルを特定し、既知のクラスピクセルを適切に分類することが期待されている。 OSS を解決するために,未知のクラス画素がどの分布に従うかを調べる。 そこで, 画像中の未知領域を形成するために, 画素が未知のクラスの分布にどのように適合するかを統計的に測定し, 高度に適合した画素を選択した。 最終的に、未知のクラスを識別し、ラベル付きおよびラベルなしのオープンワールド画像中の既知のクラスの分布を整列する、エンドツーエンドの学習フレームワークKRADAを提案する。 KRADAの有効性は、2つの合成タスクと1つのCOVID-19セグメンテーションタスクで検証されている。

関連論文リスト

• Learning to Detect Semantic Boundaries with Image-level Class Labels [14.932318540666548]
  本稿では,画像レベルのクラスラベルを教師として用いたセマンティック境界検出の学習の試みについて述べる。 対象クラスの粗い領域を画像分類網の注意点から推定することから始める。 我々は、不確実な監視の下でも、セマンティックバウンダリを確実に見積もることができる新しいニューラルネットワークアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2022-12-15T01:56:22Z)
• Probabilistic Deep Metric Learning for Hyperspectral Image Classification [91.5747859691553]
  本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。 ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。 我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
  論文  参考訳（メタデータ） (2022-11-15T17:57:12Z)
• Dual-Perspective Semantic-Aware Representation Blending for Multi-Label Image Recognition with Partial Labels [70.36722026729859]
  本稿では,多粒度カテゴリ固有の意味表現を異なる画像にブレンドした,二重パースペクティブな意味認識表現ブレンディング(DSRB)を提案する。 提案したDSは、すべての比率ラベル設定において、最先端のアルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2022-05-26T00:33:44Z)
• GOSS: Towards Generalized Open-set Semantic Segmentation [38.00665104750745]
  我々は、GOSS(Generalized Open-set Semantic)と呼ばれる新しいイメージセグメンテーションタスクを提示し、研究する。 GOSSは既知のクラスに属するピクセルを分類し、未知クラスのピクセルのクラスタ(またはグループ)をラベル付けする。 我々の新しいGOSSタスクは、将来の研究に表現力のあるイメージ理解をもたらすことができると信じている。
  論文  参考訳（メタデータ） (2022-03-23T01:03:06Z)
• Generalized Category Discovery [148.32255950504182]
  本稿では,ラベル付き画像集合とラベル付き画像集合とを併用した画像認識手法を提案する。 ここでは、未表示の画像はラベル付きクラスから、あるいは新しいものから来ているかもしれない。 まず、新しいカテゴリー発見から最先端のアルゴリズムを取り入れ、そのタスクに適応することで、強力なベースラインを確立する。 次に、単純だが効果的な半教師付き$k$-meansメソッドを導入する。
  論文  参考訳（メタデータ） (2022-01-07T18:58:35Z)
• Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
  超高解像度画像のための混合監視学習フレームワークを提案する。 パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。 画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
  論文  参考訳（メタデータ） (2021-07-02T09:46:06Z)
• Universal Weakly Supervised Segmentation by Pixel-to-Segment Contrastive Learning [28.498782661888775]
  半教師付きメトリック学習問題として弱教師付きセグメンテーションを定式化する。 特徴空間における画素とセグメント間のコントラスト関係を4種類提案する。 我々はPascal VOCとDensePoseに大きな利益をもたらす、普遍的な弱教師付きセグメンタを提供する。
  論文  参考訳（メタデータ） (2021-05-03T15:49:01Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• Deep Active Learning for Joint Classification & Segmentation with Weak Annotator [22.271760669551817]
  クラスアクティベーションマップ(CAM)のようなCNNの可視化と解釈手法は、一般的に、クラス予測に関連する画像領域を強調するために使用される。 本稿では,画素レベルのアノテーションを段階的に統合する能動的学習フレームワークを提案する。 提案手法は, ランダムなサンプル選択を用いることで, 最先端のCAMやAL手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2020-10-10T03:25:54Z)

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。