Fugu-MT 論文翻訳(概要): DeepFH Segmentations for Superpixel-based Object Proposal Refinement

論文の概要: DeepFH Segmentations for Superpixel-based Object Proposal Refinement

arxiv url: http://arxiv.org/abs/2108.03503v1
Date: Sat, 7 Aug 2021 19:13:45 GMT
ステータス: 処理完了
システム内更新日: 2021-08-11 10:28:37.653315
Title: DeepFH Segmentations for Superpixel-based Object Proposal Refinement
Title（参考訳）: 超画素型オブジェクト提案のためのDeepFHセグメンテーション
Authors: Christian Wilms and Simone Frintrop
Abstract要約: 本稿では,オブジェクト提案生成システムのためのスーパーピクセルベースリファインメントシステムを提案する。エンド・ツー・エンドの学習システムで初期粗い提案を洗練する。新たなDeepFHセグメンテーションは、FelzenszwalbとHuttenlocher(FH)セグメンテーションを深い特徴で強化する。
参考スコア（独自算出の注目度）: 3.1981440103815717
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Class-agnostic object proposal generation is an important first step in many object detection pipelines. However, object proposals of modern systems are rather inaccurate in terms of segmentation and only roughly adhere to object boundaries. Since typical refinement steps are usually not applicable to thousands of proposals, we propose a superpixel-based refinement system for object proposal generation systems. Utilizing precise superpixels and superpixel pooling on deep features, we refine initial coarse proposals in an end-to-end learned system. Furthermore, we propose a novel DeepFH segmentation, which enriches the classic Felzenszwalb and Huttenlocher (FH) segmentation with deep features leading to improved segmentation results and better object proposal refinements. On the COCO dataset with LVIS annotations, we show that our refinement based on DeepFH superpixels outperforms state-of-the-art methods and leads to more precise object proposals.
Abstract（参考訳）: クラスに依存しないオブジェクト提案生成は多くのオブジェクト検出パイプラインにおいて重要な第一歩である。しかし、現代のシステムのオブジェクト提案は、セグメンテーションの観点ではかなり不正確であり、オブジェクトの境界にほぼ従わない。典型的なリファインメントステップは数千の提案には適用されないため、オブジェクト提案生成システムのためのスーパーピクセルベースのリファインメントシステムを提案する。詳細なスーパーピクセルとスーパーピクセルプールを深い特徴に利用して、エンド・ツー・エンドの学習システムで初期粗い提案を洗練する。さらに,Felzenszwalb と Huttenlocher (FH) のセグメンテーションを深部特徴で強化し,セグメンテーション結果の改善とオブジェクト提案の改良を実現した新しいDeepFHセグメンテーションを提案する。 LVISアノテーションを用いたCOCOデータセットでは、DeepFHスーパーピクセルに基づく精細化が最先端の手法より優れており、より正確なオブジェクト提案につながることを示す。

関連論文リスト

Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文参考訳（メタデータ） (2023-08-18T13:13:09Z)
Efficient Multiscale Object-based Superpixel Framework [62.48475585798724]
我々は,SICLE(Iterative CLEarcutting)によるスーパーピクセルという,新しいスーパーピクセルフレームワークを提案する。 SICLEは、複数スケールのセグメンテーションをオンザフライで生成できるオブジェクト情報を利用する。これは最近のスーパーピクセル法を一般化し、複数のデライン化指標に従って効率と効率性に関する最先端のアプローチを超越している。
論文参考訳（メタデータ） (2022-04-07T15:59:38Z)
AF$_2$: Adaptive Focus Framework for Aerial Imagery Segmentation [86.44683367028914]
航空画像のセグメンテーションにはいくつかの独特な課題があり、中でも最も重要なものは前景と背景のアンバランスにある。本稿では,階層的なセグメンテーション手法を採用し,マルチスケール表現を適応的に活用するAdaptive Focus Framework (AF$)を提案する。 AF$は、広く使われている3つの航空ベンチマークの精度を大幅に改善した。
論文参考訳（メタデータ） (2022-02-18T10:14:45Z)
Contrastive Proposal Extension with LSTM Network for Weakly Supervised Object Detection [52.86681130880647]
画像レベルのラベルしか使用せず、膨大なアノテーションコストを節約できるため、WSOD (Weakly supervised Object Detection) が注目されている。本稿では,初期提案と拡張提案を比較して,初期提案を最適化する手法を提案する。 PASCAL VOC 2007 と VOC 2012 と MS-COCO のデータセットを用いた実験により,本手法は最先端の結果を得た。
論文参考訳（メタデータ） (2021-10-14T16:31:57Z)
Learning Open-World Object Proposals without Learning to Classify [110.30191531975804]
本研究では,各領域の位置と形状がどの接地トラストオブジェクトとどのように重なり合うかによって,各領域の目的性を純粋に推定する,分類不要なオブジェクトローカライゼーションネットワークを提案する。この単純な戦略は一般化可能な対象性を学び、クロスカテゴリの一般化に関する既存の提案より優れている。
論文参考訳（メタデータ） (2021-08-15T14:36:02Z)
Superpixel-based Refinement for Object Proposal Generation [3.1981440103815717]
最新のオブジェクトプロポーザルシステムAttentionMask上に、新しいスーパーピクセルベースの改良アプローチを導入します。実験の結果,AttentionMaskに比べて平均リコール率26.4%の改善が見られた。
論文参考訳（メタデータ） (2021-01-12T16:06:48Z)
A Holistically-Guided Decoder for Deep Representation Learning with Applications to Semantic Segmentation and Object Detection [74.88284082187462]
一般的な戦略の1つは、バックボーンネットワークに拡張畳み込みを採用し、高解像度のフィーチャーマップを抽出することです。本稿では,高分解能なセマンティクスリッチな特徴マップを得るために紹介される,新たなホリスティック誘導デコーダを提案する。
論文参考訳（メタデータ） (2020-12-18T10:51:49Z)
Visual Object Tracking by Segmentation with Graph Convolutional Network [7.729569666460712]
グラフ畳み込みネットワーク(GCN)モデルを用いて,スーパーピクセルベースのオブジェクトトラッキングを提案する。提案モデルは,i)ラベル線形予測とi)各スーパーピクセルの構造認識特徴情報を統合した,汎用的なエンドツーエンドフレームワークを提供する。
論文参考訳（メタデータ） (2020-09-05T12:43:21Z)

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。