論文の概要: Mask-aware IoU for Anchor Assignment in Real-time Instance Segmentation

• arxiv url: http://arxiv.org/abs/2110.09734v1
• Date: Tue, 19 Oct 2021 05:06:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-20 23:00:01.411642
• Title: Mask-aware IoU for Anchor Assignment in Real-time Instance Segmentation
• Title（参考訳）: リアルタイムインスタンス分割におけるアンカー割り当てのためのマスク対応IoU
• Authors: Kemal Oksuz and Baris Can Cam and Fehmi Kahraman and Zeynep Sonat Baltaci and Sinan Kalkan and Emre Akbas
• Abstract要約: mask-aware Intersection-over-Union (maIoU) インスタンスセグメンテーションメソッドのトレーニング中に、アンカーボックスを正と負のものとして割り当てる。 我々は,maIoUによるIoU操作を置換し,SOTAリアルタイムインスタンスセグメンテーションであるYOLACTを訓練することにより,最先端のSOTAアサインラであるATSSにmaIoUの有効性を示す。
• 参考スコア（独自算出の注目度）: 17.622567147585208
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents Mask-aware Intersection-over-Union (maIoU) for assigning anchor boxes as positives and negatives during training of instance segmentation methods. Unlike conventional IoU or its variants, which only considers the proximity of two boxes; maIoU consistently measures the proximity of an anchor box with not only a ground truth box but also its associated ground truth mask. Thus, additionally considering the mask, which, in fact, represents the shape of the object, maIoU enables a more accurate supervision during training. We present the effectiveness of maIoU on a state-of-the-art (SOTA) assigner, ATSS, by replacing IoU operation by our maIoU and training YOLACT, a SOTA real-time instance segmentation method. Using ATSS with maIoU consistently outperforms (i) ATSS with IoU by $\sim 1$ mask AP, (ii) baseline YOLACT with fixed IoU threshold assigner by $\sim 2$ mask AP over different image sizes and (iii) decreases the inference time by $25 \%$ owing to using less anchors. Then, exploiting this efficiency, we devise maYOLACT, a faster and $+6$ AP more accurate detector than YOLACT. Our best model achieves $37.7$ mask AP at $25$ fps on COCO test-dev establishing a new state-of-the-art for real-time instance segmentation. Code is available at https://github.com/kemaloksuz/Mask-aware-IoU
• Abstract（参考訳）: 本稿では,インスタンスセグメンテーション法のトレーニング中に,アンカーボックスを正と負として割り当てるためのマスク対応インターセクション・オーバー・ユニオン(maIoU)を提案する。 従来のIoUやその変種とは異なり、2つの箱の近さしか考慮していないが、maIoUは、基底真理箱だけでなく、関連する基底真理マスクによるアンカーボックスの近さを一貫して測定している。 したがって、実際に物体の形状を表すマスクを考えると、maIoUは訓練中により正確な監視を可能にする。 我々は,maIoUによるIoU操作を置き換え,SOTAリアルタイムインスタンスセグメンテーションであるYOLACTを訓練することにより,最先端のSOTAアサインラであるATSSにmaIoUの有効性を示す。 maIoUでATSSを使用する場合、一貫してパフォーマンスが向上する (i)iouとのatsは$\sim 1$ mask apである。 (ii)固定iouしきい値アサイン付きベースラインyolactは、異なる画像サイズと異なるサイズで$\sim 2$ mask apである。 (iii)アンカーを少なくすることで、推論時間を25ドル$%減少させる。 そして、この効率を利用して、YOLACTよりも高速で6ドル以上のAP検出器であるmaYOLACTを考案した。 当社のベストモデルは,リアルタイムインスタンスセグメンテーションのための新たな最先端技術を確立するCOCO test-devで,37.7ドルのマスクAPを25ドルfpsで達成しています。 コードはhttps://github.com/kemaloksuz/Mask-aware-IoUで公開されている。

関連論文リスト

• Generalized Mask-aware IoU for Anchor Assignment for Real-time Instance Segmentation [12.649297318541587]
  一般化マスク対応インターセクション・オーバー・ユニオン(GmaIoU) GmaIoUは、インスタンスセグメンテーション法のトレーニング中にアンカーボックスを正負に割り当てる新しい尺度である。
  論文  参考訳（メタデータ） (2023-12-28T14:16:21Z)
• Polite Teacher: Semi-Supervised Instance Segmentation with Mutual Learning and Pseudo-Label Thresholding [0.7282230325785884]
  本稿では,半教師付きインスタンスセグメンテーションのタスクに対して,シンプルかつ効果的な方法であるPolite Teacherを提案する。 提案したアーキテクチャは、Teacher-Student相互学習フレームワークに依存している。 ノイズの多い擬似ラベルを除去するために,マスクのバウンディングボックスとマスクスコアリングに信頼しきい値を用いた。
  論文  参考訳（メタデータ） (2022-11-07T20:35:51Z)
• Pseudo-IoU: Improving Label Assignment in Anchor-Free Object Detection [60.522877583407904]
  現在のアンカーフリー物体検出器は非常に単純で有効であるが、正確なラベル割り当て方法がない。 Pseudo-Intersection-over-Union(Pseudo-IoU): アンカーフリーなオブジェクト検出フレームワークに、より標準化され、正確な割り当てルールをもたらす単純なメトリックである。 本手法はベルやホイッスルを使わずに最新のアンカーフリー手法と同等の性能を実現する。
  論文  参考訳（メタデータ） (2021-04-29T02:48:47Z)
• BoxInst: High-Performance Instance Segmentation with Box Annotations [102.10713189544947]
  本稿では,トレーニング用バウンディングボックスアノテーションのみを用いて,マスクレベルのインスタンスセグメンテーションを実現する高性能な手法を提案する。 私たちの中核となる考え方は、セグメンテーションネットワーク自体を変更することなく、インスタンスセグメンテーションにおける学習マスクの喪失を活用することです。
  論文  参考訳（メタデータ） (2020-12-03T22:27:55Z)
• Mask Encoding for Single Shot Instance Segmentation [97.99956029224622]
  マスクエンコーディングに基づくインスタンスセグメンテーション(MEInst)と呼ばれる単純なシングルショットインスタンスセグメンテーションフレームワークを提案する。 二次元マスクを直接予測する代わりに、MEInstはそれをコンパクトで固定的な表現ベクトルに蒸留する。 よりシンプルでフレキシブルな一段階のインスタンスセグメンテーション手法は、競合性能も達成できることを示す。
  論文  参考訳（メタデータ） (2020-03-26T02:51:17Z)
• SOLOv2: Dynamic and Fast Instance Segmentation [102.15325936477362]
  パフォーマンスの高いシンプルで直接的で高速なインスタンスセグメンテーションフレームワークを構築しています。 オブジェクトセグメンタのマスクヘッドを動的に学習することで、さらに一歩前進する。 簡単な直接インスタンス分割システムを示し,高速化と精度の両面において,いくつかの最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-23T09:44:21Z)
• PointINS: Point-based Instance Segmentation [117.38579097923052]
  POI(Point-of-Interest)機能によるインスタンスセグメンテーションにおけるマスク表現は、各インスタンスの高次元マスク機能を学ぶには、計算負荷が重いため、難しい。 本稿では、このマスク表現学習タスクを2つの抽出可能なモジュールに分解するインスタンス認識畳み込みを提案する。 インスタンス認識の畳み込みとともに、単純で実用的なインスタンスセグメンテーションアプローチであるPointINSを提案する。
  論文  参考訳（メタデータ） (2020-03-13T08:24:58Z)
• BlendMask: Top-Down Meets Bottom-Up for Instance Segmentation [103.74690082121079]
  本研究では,インスタンスレベルの情報とセマンティックな情報と,低レベルの微細な粒度を効果的に組み合わせることで,マスク予測の改善を実現する。 私たちの主な貢献は、トップダウンとボトムアップの両方のインスタンスセグメンテーションアプローチからインスピレーションを得たブレンダーモジュールです。 BlendMaskは、非常に少ないチャネルで、ピクセルあたりの高密度な位置感受性インスタンス機能を効果的に予測し、単一の畳み込み層で各インスタンスの注意マップを学習することができる。
  論文  参考訳（メタデータ） (2020-01-02T03:30:17Z)

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。