論文の概要: A Coarse-to-Fine Instance Segmentation Network with Learning Boundary
Representation
- arxiv url: http://arxiv.org/abs/2106.10213v1
- Date: Fri, 18 Jun 2021 16:37:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-21 14:22:02.551040
- Title: A Coarse-to-Fine Instance Segmentation Network with Learning Boundary
Representation
- Title(参考訳): 境界表現を学習する粗大なインスタンス分割ネットワーク
- Authors: Feng Luo, Bin-Bin Gao, Jiangpeng Yan, Xiu Li
- Abstract要約: 境界ベースのインスタンスセグメンテーションは、その魅力的な効率性から多くの注目を集めている。
既存の手法は長距離回帰の難しさに悩まされている。
この問題に対処する粗大なモジュールを提案する。
- 参考スコア(独自算出の注目度): 10.967299485260163
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Boundary-based instance segmentation has drawn much attention since of its
attractive efficiency. However, existing methods suffer from the difficulty in
long-distance regression. In this paper, we propose a coarse-to-fine module to
address the problem. Approximate boundary points are generated at the coarse
stage and then features of these points are sampled and fed to a refined
regressor for fine prediction. It is end-to-end trainable since differential
sampling operation is well supported in the module. Furthermore, we design a
holistic boundary-aware branch and introduce instance-agnostic supervision to
assist regression. Equipped with ResNet-101, our approach achieves 31.7\% mask
AP on COCO dataset with single-scale training and testing, outperforming the
baseline 1.3\% mask AP with less than 1\% additional parameters and GFLOPs.
Experiments also show that our proposed method achieves competitive performance
compared to existing boundary-based methods with a lightweight design and a
simple pipeline.
- Abstract(参考訳): 境界ベースのインスタンスセグメンテーションは、その魅力的な効率性から多くの注目を集めている。
しかし,既存の手法では遠距離回帰が困難である。
本稿では,この問題に対処するための粗細モジュールを提案する。
粗い段階で近似境界点を生成し、その特徴をサンプリングして精巧な回帰器に供給して微妙な予測を行う。
モジュール内では差分サンプリング操作が十分にサポートされているため、エンドツーエンドでトレーニング可能である。
さらに,包括的境界認識ブランチを設計し,回帰を支援するためにインスタンス非依存の監督を導入する。
ResNet-101を組み込んだアプローチでは,COCOデータセット上の31.7\%マスクAPを単一スケールのトレーニングとテストで達成し,ベースラインの1.3\%マスクAPを1\%未満の追加パラメータとGFLOPで上回った。
また,提案手法は,軽量な設計と簡単なパイプラインを持つ既存の境界ベース手法と比較して,競争性能が向上することを示した。
関連論文リスト
- ProtoSeg: A Prototype-Based Point Cloud Instance Segmentation Method [6.632158868486343]
本稿では,3次元点雲上でインスタンスセグメンテーションを行うニューラルネットワークアーキテクチャを提案する。
本稿では, 並列に係数とプロトタイプを学習し, 組み合わせて実例予測を行う手法を提案する。
提案手法は,最先端技術よりも28%高速であるだけでなく,標準偏差が低いことを示す。
論文 参考訳(メタデータ) (2024-10-03T10:05:27Z) - Post-Processing Temporal Action Detection [134.26292288193298]
時間的行動検出(TAD)法は、通常、入力された可変長のビデオを固定長のスニペット表現シーケンスに変換する際に、前処理のステップを踏む。
この前処理ステップは、ビデオを時間的にダウンサンプリングし、推論の解像度を低減し、元の時間分解における検出性能を阻害する。
モデルの再設計や再学習を伴わない新しいモデル非依存のポストプロセッシング手法を提案する。
論文 参考訳(メタデータ) (2022-11-27T19:50:37Z) - BARS: A Benchmark for Airport Runway Segmentation [5.224344210588583]
空港滑走路のセグメンテーションは、着陸段階での事故率を効果的に低減することができる。
ディープ・ラーニング(DL)の急速な発展に伴い、関連する手法はセグメンテーション・タスクにおいて優れた性能を発揮する。
空港滑走路セグメンテーションのベンチマークであるBARSを提案する。
論文 参考訳(メタデータ) (2022-10-24T02:26:05Z) - PointInst3D: Segmenting 3D Instances by Points [136.7261709896713]
本稿では,ポイント単位の予測方式で機能する,完全畳み込み型3Dポイントクラウドインスタンスセグメンテーション手法を提案する。
その成功の鍵は、各サンプルポイントに適切なターゲットを割り当てることにある。
提案手法はScanNetとS3DISのベンチマークで有望な結果が得られる。
論文 参考訳(メタデータ) (2022-04-25T02:41:46Z) - Learning Semantic Segmentation of Large-Scale Point Clouds with Random
Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。
我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。
我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文 参考訳(メタデータ) (2021-07-06T05:08:34Z) - DyCo3D: Robust Instance Segmentation of 3D Point Clouds through Dynamic
Convolution [136.7261709896713]
本稿では,インスタンスの性質に応じて適切な畳み込みカーネルを生成するデータ駆動型アプローチを提案する。
提案手法はScanetNetV2とS3DISの両方で有望な結果が得られる。
また、現在の最先端よりも推論速度を25%以上向上させる。
論文 参考訳(メタデータ) (2020-11-26T14:56:57Z) - The Devil is in the Boundary: Exploiting Boundary Representation for
Basis-based Instance Segmentation [85.153426159438]
本研究では,既存のグローバルマスクベースの手法を補完するグローバル境界表現を学習するために,Basisベースのインスタンス(B2Inst)を提案する。
私たちのB2Instは一貫した改善をもたらし、シーン内のインスタンス境界を正確に解析します。
論文 参考訳(メタデータ) (2020-11-26T11:26:06Z) - PointINS: Point-based Instance Segmentation [117.38579097923052]
POI(Point-of-Interest)機能によるインスタンスセグメンテーションにおけるマスク表現は、各インスタンスの高次元マスク機能を学ぶには、計算負荷が重いため、難しい。
本稿では、このマスク表現学習タスクを2つの抽出可能なモジュールに分解するインスタンス認識畳み込みを提案する。
インスタンス認識の畳み込みとともに、単純で実用的なインスタンスセグメンテーションアプローチであるPointINSを提案する。
論文 参考訳(メタデータ) (2020-03-13T08:24:58Z) - Towards Bounding-Box Free Panoptic Segmentation [16.4548904544277]
パン光学セグメンテーションのための新しいBunding-Box Free Network (BBFNet) を提案する。
BBFNetは、粗い流域レベルを予測し、境界が適切に定義された大きなインスタンス候補を検出するためにそれらを使用する。
境界が信頼性の低い小さなインスタンスでは、BBFNetはHoughの投票によってインスタンス中心を予測し、続いて平均シフトによって小さなオブジェクトを確実に検出する。
論文 参考訳(メタデータ) (2020-02-18T16:34:01Z)
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。