論文の概要: FSNet: A Failure Detection Framework for Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2108.08748v1
• Date: Thu, 19 Aug 2021 15:26:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-20 14:18:59.301081
• Title: FSNet: A Failure Detection Framework for Semantic Segmentation
• Title（参考訳）: FSNet:セマンティックセグメンテーションのための障害検出フレームワーク
• Authors: Quazi Marufur Rahman, Niko S\"underhauf, Peter Corke and Feras Dayoub
• Abstract要約: 画素レベルの誤分類を識別するための故障検出フレームワークを提案する。 セグメンテーションモデルの内部機能を利用して、障害検出ネットワークで同時にトレーニングする。 我々は,最先端手法に対する提案手法の評価を行い,12.30%,9.46%,9.65%の性能改善を実現した。
• 参考スコア（独自算出の注目度）: 9.453250122818808
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation is an important task that helps autonomous vehicles understand their surroundings and navigate safely. During deployment, even the most mature segmentation models are vulnerable to various external factors that can degrade the segmentation performance with potentially catastrophic consequences for the vehicle and its surroundings. To address this issue, we propose a failure detection framework to identify pixel-level misclassification. We do so by exploiting internal features of the segmentation model and training it simultaneously with a failure detection network. During deployment, the failure detector can flag areas in the image where the segmentation model have failed to segment correctly. We evaluate the proposed approach against state-of-the-art methods and achieve 12.30%, 9.46%, and 9.65% performance improvement in the AUPR-Error metric for Cityscapes, BDD100K, and Mapillary semantic segmentation datasets.
• Abstract（参考訳）: セマンティックセグメンテーションは、自動運転車が周囲を理解し、安全にナビゲートするための重要なタスクである。 展開中、最も成熟したセグメンテーションモデルでさえ、セグメンテーション性能を低下させる様々な外部要因に対して脆弱であり、車両とその周囲に壊滅的な結果をもたらす可能性がある。 この問題に対処するために,画素レベルの誤分類を識別する障害検出フレームワークを提案する。 セグメンテーションモデルの内部特徴を活用し,障害検出ネットワークと並行してトレーニングを行う。 配置中、故障検知器は、セグメント化モデルが正しくセグメント化できなかった画像内の領域にフラグを付けることができる。 提案手法を評価し,都市景観,bdd100k,mapillary意味セマンティクスセグメンテーションデータセットのaupr-errorメトリックにおける12.30%,9.46%,9.65%の性能改善を達成した。

関連論文リスト

• Physically Feasible Semantic Segmentation [58.17907376475596]
  最先端セマンティックセグメンテーションモデルは通常、データ駆動方式で最適化される。 本手法は,空間的クラス関係を規定する明示的な物理的制約を抽出する。 PhyFeaは、使用する最先端ネットワーク毎にmIoUが大幅に向上する。
  論文  参考訳（メタデータ） (2024-08-26T22:39:08Z)
• OoDIS: Anomaly Instance Segmentation Benchmark [57.89836988990543]
  我々は、最もよく使われる異常セグメンテーションベンチマークを拡張して、インスタンスセグメンテーションタスクを含める。 この分野の開発は遅れており、主に専用のベンチマークがないためである。 異常なインスタンスセグメンテーション手法の評価は、この課題が未解決の問題のままであることを示している。
  論文  参考訳（メタデータ） (2024-06-17T17:59:56Z)
• Joint semi-supervised and contrastive learning enables zero-shot domain-adaptation and multi-domain segmentation [1.5393913074555419]
  SegCLRは、さまざまなドメインにまたがってボリューム画像を分割するために設計された汎用的なフレームワークである。 総合評価により,SegCLRの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-05-08T18:10:59Z)
• Uncertainty estimates for semantic segmentation: providing enhanced reliability for automated motor claims handling [0.0]
  メタ分類モデルを用いて車体部品のセマンティックセグメンテーションのために訓練されたモデルにより予測されたセグメントの精度を実証的に評価する。 低品質セグメントを除去することにより、セグメンテーション出力の平均mIoUを16ポイント改善し、誤予測セグメント数を77%削減する。
  論文  参考訳（メタデータ） (2024-01-17T14:47:26Z)
• UGainS: Uncertainty Guided Anomaly Instance Segmentation [80.12253291709673]
  道路上の1つの予期せぬ物体が事故を引き起こしたり、怪我を負うことがある。 現在のアプローチでは、各ピクセルに異常スコアを割り当てることで、異常セグメンテーションに取り組む。 本稿では, 高精度な異常マスクを生成する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-03T20:55:37Z)
• CLIP the Gap: A Single Domain Generalization Approach for Object Detection [60.20931827772482]
  単一ドメインの一般化(Single Domain Generalization)は、単一のソースドメイン上でモデルをトレーニングすることで、目に見えないターゲットドメインに一般化する問題に取り組む。 本稿では、事前学習された視覚言語モデルを用いて、テキストプロンプトを介して意味領域の概念を導入することを提案する。 本手法は,検出器のバックボーンから抽出した特徴に作用する意味的拡張戦略と,テキストに基づく分類損失によって実現される。
  論文  参考訳（メタデータ） (2023-01-13T12:01:18Z)
• SegmentMeIfYouCan: A Benchmark for Anomaly Segmentation [111.61261419566908]
  ディープニューラルネットワーク(DNN)は通常、閉集合のセマンティッククラスで訓練される。 未発見のオブジェクトを扱うには不備だ。 このような物体の検出と局在化は、自動運転の認識などの安全クリティカルなアプリケーションに不可欠です。
  論文  参考訳（メタデータ） (2021-04-30T07:58:19Z)
• Self-supervised Segmentation via Background Inpainting [96.10971980098196]
  移動可能なカメラで撮影された単一の画像で、自己教師付き検出とセグメンテーションのアプローチを導入する。 我々は、提案に基づくセグメンテーションネットワークのトレーニングに利用する自己教師付き損失関数を利用する。 本手法は,標準ベンチマークから視覚的に切り離された画像の人間の検出とセグメント化に応用し,既存の自己監督手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-11T08:34:40Z)
• Class-Agnostic Segmentation Loss and Its Application to Salient Object Detection and Segmentation [17.532822703595766]
  そこで我々はCAS(class-agnostic segmentation)ロスと呼ばれる新しい損失関数を提案する。 CAS損失関数はスパースであり, 有界であり, クラス不均衡に対して頑健であることを示す。 低忠実度および高忠実度トレーニングデータの2つの設定における最先端手法に対する性能について検討する。
  論文  参考訳（メタデータ） (2020-10-28T07:11:15Z)
• ISSAFE: Improving Semantic Segmentation in Accidents by Fusing Event-based Data [34.36975697486129]
  本稿では,事故シナリオにおけるセマンティックセグメンテーションに関する課題を,事故データセットDADA-segとともに提示する。 イベントベースのマルチモーダルセグメンテーションアーキテクチャISSAFEを提案する。 提案手法は, 提案した評価セットに対して+8.2% mIoUの性能向上を達成し, 10以上の最先端セグメンテーション法を克服する。
  論文  参考訳（メタデータ） (2020-08-20T14:03:34Z)

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。