Fugu-MT 論文翻訳(概要): Semantic Segmentation Alternative Technique: Segmentation Domain Generation

論文の概要: Semantic Segmentation Alternative Technique: Segmentation Domain Generation

arxiv url: http://arxiv.org/abs/2107.02525v1
Date: Tue, 6 Jul 2021 10:34:55 GMT
ステータス: 処理完了
システム内更新日: 2021-07-07 13:51:41.049072
Title: Semantic Segmentation Alternative Technique: Segmentation Domain Generation
Title（参考訳）: セマンティックセグメンテーション代替手法:セグメンテーションドメイン生成
Authors: Ana-Cristina Rogoz, Radu Muntean, Stefan Cobeli
Abstract要約: 本稿では,ジェネレーティブ・アドバイサル・ネットワークを利用したセマンティック・セマンティック・セマンティック・セマンティクス手法を提案する。我々は、シード実画像の入力としてフィードフォワードネットワーク(FFNN)を訓練し、セグメンテーションマスクの出力として生成する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Detecting objects of interest in images was always a compelling task to automate. In recent years this task was more and more explored using deep learning techniques, mostly using region-based convolutional networks. In this project we propose an alternative semantic segmentation technique making use of Generative Adversarial Networks. We consider semantic segmentation to be a domain transfer problem. Thus, we train a feed forward network (FFNN) to receive as input a seed real image and generate as output its segmentation mask.
Abstract（参考訳）: 画像に注目するオブジェクトを検出することは、自動化するための魅力的なタスクでした。近年、このタスクは、主に地域ベースの畳み込みネットワークを使用して、深層学習技術を使ってより深く探求された。本稿では,生成型逆ネットワークを用いた意味セグメンテーション手法を提案する。我々はセマンティックセグメンテーションをドメイン転送問題と考える。そこで我々は、シード実画像の入力としてフィードフォワードネットワーク(FFNN)を訓練し、セグメンテーションマスクの出力として生成する。

関連論文リスト

LAC-Net: Linear-Fusion Attention-Guided Convolutional Network for Accurate Robotic Grasping Under the Occlusion [79.22197702626542]
本稿では, 乱れ場面におけるロボットグルーピングのためのアモーダルセグメンテーションを探求する枠組みを提案する。線形融合注意誘導畳み込みネットワーク(LAC-Net)を提案する。その結果,本手法が最先端の性能を達成できることが示唆された。
論文参考訳（メタデータ） (2024-08-06T14:50:48Z)
Generative Semantic Segmentation [40.57488730457299]
セマンティックセグメンテーションのための生成学習手法を提案する。画像条件付きマスク生成問題として,セマンティックセグメンテーションを論じる。実験により,GASは標準的なセマンティックセグメンテーション設定において,先行技術と競合して動作可能であることが示された。
論文参考訳（メタデータ） (2023-03-20T17:55:37Z)
ReFit: A Framework for Refinement of Weakly Supervised Semantic Segmentation using Object Border Fitting for Medical Images [4.945138408504987]
Weakly Supervised Semantic (WSSS)は、画像レベルの監視のみに依存しているため、ネットワークの必要性に対処する上で有望なアプローチである。本稿では,最新クラスのアクティベーションマップとポストプロセッシング手法を組み合わせたReFitフレームワークを提案する。本手法をWSSS予測に適用することにより,医用画像の最先端WSSS法に対して最大10%の改善を実現した。
論文参考訳（メタデータ） (2023-03-14T12:46:52Z)
EAA-Net: Rethinking the Autoencoder Architecture with Intra-class Features for Medical Image Segmentation [4.777011444412729]
We propose a light-weight end-to-end segmentation framework based on multi-task learning, called Edge Attention autoencoder Network (EAA-Net)。提案手法は,クラス間特徴の抽出にセグメンテーションネットワークを利用するだけでなく,フォアグラウンド内でのクラス内特徴の抽出にも再構成ネットワークを適用する。実験結果から,医用画像分割作業において,本手法が良好に機能することが確認された。
論文参考訳（メタデータ） (2022-08-19T07:42:55Z)
Learning To Segment Dominant Object Motion From Watching Videos [72.57852930273256]
我々は,有意な移動物体セグメンテーションのための単純なフレームワークを構想する。このフレームワークは,有意なデータを必要としないし,有意な前処理や事前学習された光フローマップに依存しない。層状画像表現に着想を得て,アフィンパラメトリックの動きに応じて画素領域をグループ化する手法を提案する。これにより、トレーニングと推論の両方の入力として、RGBイメージペアのみを使用して、支配的なフォアグラウンドオブジェクトのセグメンテーションを学習することができる。
論文参考訳（メタデータ） (2021-11-28T14:51:00Z)
Box-Adapt: Domain-Adaptive Medical Image Segmentation using Bounding BoxSupervision [52.45336255472669]
深層学習のための弱教師付きドメイン適応設定を提案する。 Box-Adaptは、ソースドメインのきめ細かいセグナオンマスクとターゲットドメインの弱いバウンディングボックスを完全に探索する。肝セグメンテーションにおける本手法の有効性を実証する。
論文参考訳（メタデータ） (2021-08-19T01:51:04Z)
Affinity Space Adaptation for Semantic Segmentation Across Domains [57.31113934195595]
本稿では,意味的セグメンテーションにおける教師なしドメイン適応(UDA)の問題に対処する。ソースドメインとターゲットドメインが不変なセマンティック構造を持つという事実に触発され、ドメイン間におけるそのような不変性を活用することを提案する。親和性空間適応戦略として,親和性空間の洗浄と親和性空間アライメントという2つの方法を開発した。
論文参考訳（メタデータ） (2020-09-26T10:28:11Z)
Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
論文参考訳（メタデータ） (2020-03-29T09:03:23Z)
CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。 PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2020-03-24T04:55:43Z)

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。