論文の概要: Bridging Gap between Image Pixels and Semantics via Supervision: A Survey

• arxiv url: http://arxiv.org/abs/2107.13757v1
• Date: Thu, 29 Jul 2021 05:55:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-30 13:18:11.905386
• Title: Bridging Gap between Image Pixels and Semantics via Supervision: A Survey
• Title（参考訳）: 画像画像とセマンティックスの間のギャップをスーパービジョンで埋める:サーベイ
• Authors: Jiali Duan, C.-C. Jay Kuo
• Abstract要約: 低レベルの特徴と画像の意味的意味のセマンティックなギャップは、数十年にわたって知られている。 セマンティックギャップは、主に今日の教師あり学習によって橋渡しされている、と我々は主張する。
• 参考スコア（独自算出の注目度）: 34.3339977386633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The fact that there exists a gap between low-level features and semantic meanings of images, called the semantic gap, is known for decades. Resolution of the semantic gap is a long standing problem. The semantic gap problem is reviewed and a survey on recent efforts in bridging the gap is made in this work. Most importantly, we claim that the semantic gap is primarily bridged through supervised learning today. Experiences are drawn from two application domains to illustrate this point: 1) object detection and 2) metric learning for content-based image retrieval (CBIR). To begin with, this paper offers a historical retrospective on supervision, makes a gradual transition to the modern data-driven methodology and introduces commonly used datasets. Then, it summarizes various supervision methods to bridge the semantic gap in the context of object detection and metric learning.
• Abstract（参考訳）: 画像の低レベル特徴と意味的意味の間にギャップが存在するという事実は、意味的ギャップと呼ばれ、何十年も前から知られている。 意味的ギャップの解決は長期にわたる問題である。 セマンティクスギャップの問題を概観し,近年,このギャップを橋渡しする取り組みに関する調査を行った。 最も重要なのは,今日では,セマンティックギャップが主に教師付き学習によって橋渡しされている,という主張です。 1)オブジェクト検出と2)コンテンツベース画像検索(CBIR)のためのメートル法学習である。 はじめに、この論文は、監督に関する歴史的ふりかえりを提供し、現代データ駆動手法への段階的な移行を図り、よく使われるデータセットを紹介します。 次に,オブジェクト検出とメトリクス学習のコンテキストにおける意味的ギャップを橋渡しするための様々な監督手法を要約する。

関連論文リスト

• Weakly-Supervised Semantic Segmentation with Image-Level Labels: from Traditional Models to Foundation Models [33.690846523358836]
  弱教師付きセマンティックセマンティックセグメンテーション(WSSS)はピクセルレベルのラベルを避ける効果的なソリューションである。 私たちは、WSSSの最も難しい形態であるイメージレベルのラベルによるWSSSに焦点を当てています。 本稿では,WSSS の文脈において,Segment Anything Model (SAM) などの視覚基盤モデルの適用性について検討する。
  論文  参考訳（メタデータ） (2023-10-19T07:16:54Z)
• Shrinking the Semantic Gap: Spatial Pooling of Local Moment Invariants for Copy-Move Forgery Detection [7.460203098159187]
  Copy-move forgeryは、特定のパッチをコピー&ペーストして画像に貼り付ける操作で、潜在的に違法または非倫理的使用がある。 コピー・ムーブ・フォージェリーの法医学的手法の進歩は,検出精度とロバスト性の向上に寄与している。 自己相似性が高い画像や強い信号の破損のある画像の場合、既存のアルゴリズムはしばしば非効率なプロセスと信頼性の低い結果を示す。
  論文  参考訳（メタデータ） (2022-07-19T09:11:43Z)
• Content-Based Detection of Temporal Metadata Manipulation [91.34308819261905]
  画像の撮像時間とその内容と地理的位置とが一致しているかどうかを検証するためのエンドツーエンドのアプローチを提案する。 中心となる考え方は、画像の内容、キャプチャ時間、地理的位置が一致する確率を予測するための教師付き一貫性検証の利用である。 我々のアプローチは、大規模なベンチマークデータセットの以前の作業により改善され、分類精度が59.03%から81.07%に向上した。
  論文  参考訳（メタデータ） (2021-03-08T13:16:19Z)
• 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)
• Geography-Aware Self-Supervised Learning [79.4009241781968]
  異なる特徴により、標準ベンチマークにおけるコントラスト学習と教師あり学習の間には、非自明なギャップが持続していることが示される。 本稿では,リモートセンシングデータの空間的整合性を利用した新しいトレーニング手法を提案する。 提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションにおけるコントラスト学習と教師あり学習のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2020-11-19T17:29:13Z)
• Rethinking of the Image Salient Object Detection: Object-level Semantic Saliency Re-ranking First, Pixel-wise Saliency Refinement Latter [62.26677215668959]
  本稿では,意味的に有意な領域を粗い位置で特定する,軽量で教師付きの深層ネットワークを提案する。 次に,これらセマンティック・サリエント領域の深層モデルを画素ワイド・サリエンシ改善として融合する。 提案手法は単純だが有効であり,本手法は主眼をオブジェクトレベルのセマンティック・リグレード問題とみなすための最初の試みである。
  論文  参考訳（メタデータ） (2020-08-10T07:12:43Z)
• Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation [128.03739769844736]
  2つのニューラルコアテンションを分類器に組み込んで、画像間のセマンティックな類似点と相違点をキャプチャする。 オブジェクトパターン学習の強化に加えて、コアテンションは他の関連する画像からのコンテキストを活用して、ローカライズマップの推論を改善することができる。 提案アルゴリズムは,これらすべての設定に対して新たな最先端性を設定し,その有効性と一般化性を示す。
  論文  参考訳（メタデータ） (2020-07-03T21:53:46Z)

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。