論文の概要: Reliable Semantic Segmentation with Superpixel-Mix

• arxiv url: http://arxiv.org/abs/2108.00968v1
• Date: Mon, 2 Aug 2021 15:13:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-03 18:35:28.739481
• Title: Reliable Semantic Segmentation with Superpixel-Mix
• Title（参考訳）: 超画素混合による信頼性の高い意味セグメンテーション
• Authors: Gianni Franchi, Nacim Belkhir, Mai Lan Ha, Yufei Hu, Andrei Bursuc, Volker Blanz, Angela Yao
• Abstract要約: 教師と学生の一貫性をトレーニングするスーパーピクセルベースのデータ拡張手法であるSuperpixel-mixを導入する。 提案手法は,Cityscapesデータセット上の半教師付き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ックセグメンテーションの最先端化を実現する。
• 参考スコア（独自算出の注目度）: 25.288512209672326
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Along with predictive performance and runtime speed, reliability is a key requirement for real-world semantic segmentation. Reliability encompasses robustness, predictive uncertainty and reduced bias. To improve reliability, we introduce Superpixel-mix, a new superpixel-based data augmentation method with teacher-student consistency training. Unlike other mixing-based augmentation techniques, mixing superpixels between images is aware of object boundaries, while yielding consistent gains in segmentation accuracy. Our proposed technique achieves state-of-the-art results in semi-supervised semantic segmentation on the Cityscapes dataset. Moreover, Superpixel-mix improves the reliability of semantic segmentation by reducing network uncertainty and bias, as confirmed by competitive results under strong distributions shift (adverse weather, image corruptions) and when facing out-of-distribution data.
• Abstract（参考訳）: 予測性能と実行速度に加えて、信頼性は現実のセマンティックセグメンテーションにとって重要な要件である。 信頼性には堅牢性、予測の不確実性、バイアスの低減が含まれる。 信頼性を向上させるために,教師と教師の一貫性トレーニングによる新しいスーパーピクセルベースのデータ拡張手法であるsuperpixel-mixを導入する。 他の混合ベースの拡張技術とは異なり、画像間のスーパーピクセルの混合はオブジェクトの境界を認識し、セグメンテーション精度は一貫して向上する。 提案手法は,都市景観データセット上で半教師ありセマンティクスセグメンテーションを実現する。 さらに、スーパーピクセル混合は、強い分布シフト(逆天候、画像腐敗)と分散データに直面する場合の競合結果によって確認されるように、ネットワークの不確実性とバイアスを低減し、意味セグメンテーションの信頼性を向上させる。

関連論文リスト

• Superpixel Cost Volume Excitation for Stereo Matching [27.757112234793624]
  本研究では,スーパーピクセルソフト制約を組み込んだステレオマッチングの本質的な局所的整合性に着目する。 提案手法は,隣接する画素が同一物体に属することが前提とされ,スーパーピクセルの確率体積内によく似た強度を示す。
  論文  参考訳（メタデータ） (2024-11-20T07:59:55Z)
• Learning Invariant Inter-pixel Correlations for Superpixel Generation [12.605604620139497]
  学習可能な特徴は、制約付き判別能力を示し、不満足なピクセルグループ化性能をもたらす。 本稿では,不変画素間相関と統計特性を選択的に分離するContentangle Superpixelアルゴリズムを提案する。 4つのベンチマークデータセットの実験結果は、既存の最先端手法に対するアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2024-02-28T09:46:56Z)
• Improving Adversarial Robustness of Masked Autoencoders via Test-time Frequency-domain Prompting [133.55037976429088]
  BERTプリトレーニング(BEiT, MAE)を備えた視覚変換器の対向ロバスト性について検討する。 意外な観察は、MAEが他のBERT事前訓練法よりも敵の頑健さが著しく悪いことである。 我々は,MAEの対角的堅牢性を高めるための,シンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2023-08-20T16:27:17Z)
• CONVERT:Contrastive Graph Clustering with Reliable Augmentation [110.46658439733106]
  信頼性オーグメンテーション(CONVERT)を用いたContrastiVe Graph ClustEringネットワークを提案する。 本手法では,データ拡張を可逆的パーターブ・リカバリネットワークにより処理する。 セマンティクスの信頼性をさらに保証するために、ネットワークを制約する新たなセマンティクス損失が提示される。
  論文  参考訳（メタデータ） (2023-08-17T13:07:09Z)
• MixReorg: Cross-Modal Mixed Patch Reorganization is a Good Mask Learner for Open-World Semantic Segmentation [110.09800389100599]
  セマンティックセグメンテーションのための新鮮で簡単な事前学習パラダイムであるMixReorgを提案する。 我々のアプローチは、パッチとテキストの対応を保ちながら、画像パッチを混合することで、きめ細かいパッチテキストペアデータを生成することである。 マスク学習者としてMixReorgを使用することで、従来のテキスト教師付きセマンティックセマンティックセマンティックモデルは、非常に一般化可能なピクセル・セマンティックアライメントを実現することができる。
  論文  参考訳（メタデータ） (2023-08-09T09:35:16Z)
• PAIF: Perception-Aware Infrared-Visible Image Fusion for Attack-Tolerant Semantic Segmentation [50.556961575275345]
  対向シーンにおけるセグメンテーションの堅牢性を促進するための認識認識型融合フレームワークを提案する。 我々は,先進の競争相手に比べて15.3% mIOUの利得で,ロバスト性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2023-08-08T01:55:44Z)
• Learning to Generate Training Datasets for Robust Semantic Segmentation [37.9308918593436]
  セマンティックセグメンテーション手法の堅牢性を改善するための新しい手法を提案する。 我々は,現実的で可視な摂動画像を生成するために,新しい条件付き生成対向ネットワークであるRobustaを設計した。 我々の結果は、このアプローチが安全クリティカルなアプリケーションに有用である可能性を示唆している。
  論文  参考訳（メタデータ） (2023-08-01T10:02:26Z)
• Robustness and invariance properties of image classifiers [8.970032486260695]
  ディープニューラルネットワークは多くの画像分類タスクで印象的な結果を得た。 ディープネットワークは、多種多様なセマンティック保存画像修正に対して堅牢ではない。 画像分類器の小さなデータ分散シフトに対する堅牢性の低さは、その信頼性に関する深刻な懸念を引き起こす。
  論文  参考訳（メタデータ） (2022-08-30T11:00:59Z)
• Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
  本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。 事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。 識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
  論文  参考訳（メタデータ） (2022-07-19T14:35:42Z)
• Self-supervised Equivariant Attention Mechanism for Weakly Supervised Semantic Segmentation [93.83369981759996]
  本稿では,自己監督同変注意機構(SEAM)を提案する。 本手法は,完全教師付きセマンティックセグメンテーションにおいて,同値が暗黙の制約であることを示す。 本稿では,ネットワーク学習のための自己スーパービジョンを提供するために,様々な変換画像から予測されたCAMの整合性正則化を提案する。
  論文  参考訳（メタデータ） (2020-04-09T14:57:57Z)

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。