論文の概要: Inferring the Class Conditional Response Map for Weakly Supervised Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2110.14309v1
• Date: Wed, 27 Oct 2021 09:43:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-29 00:05:06.505603
• Title: Inferring the Class Conditional Response Map for Weakly Supervised Semantic Segmentation
• Title（参考訳）: 弱教師付きセマンティックセグメンテーションのためのクラス条件応答マップの推定
• Authors: Weixuan Sun, Jing Zhang, Nick Barnes
• Abstract要約: そこで我々は,より優れた擬似ラベルを生成するために,クラス条件推論戦略とアクティベーション対応マスク精細化損失関数を提案する。 本手法は,分類器の再学習を必要とせず,優れたWSSS結果が得られる。
• 参考スコア（独自算出の注目度）: 27.269847900950943
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image-level weakly supervised semantic segmentation (WSSS) relies on class activation maps (CAMs) for pseudo labels generation. As CAMs only highlight the most discriminative regions of objects, the generated pseudo labels are usually unsatisfactory to serve directly as supervision. To solve this, most existing approaches follow a multi-training pipeline to refine CAMs for better pseudo-labels, which includes: 1) re-training the classification model to generate CAMs; 2) post-processing CAMs to obtain pseudo labels; and 3) training a semantic segmentation model with the obtained pseudo labels. However, this multi-training pipeline requires complicated adjustment and additional time. To address this, we propose a class-conditional inference strategy and an activation aware mask refinement loss function to generate better pseudo labels without re-training the classifier. The class conditional inference-time approach is presented to separately and iteratively reveal the classification network's hidden object activation to generate more complete response maps. Further, our activation aware mask refinement loss function introduces a novel way to exploit saliency maps during segmentation training and refine the foreground object masks without suppressing background objects. Our method achieves superior WSSS results without requiring re-training of the classifier.
• Abstract（参考訳）: 画像レベルの弱い教師付きセマンティックセグメンテーション(WSSS)は、擬似ラベル生成のためのクラスアクティベーションマップ(CAM)に依存している。 camはオブジェクトの最も識別的な領域のみを強調するため、生成された擬似ラベルは通常、直接監視することができない。 これを解決するために、既存のほとんどのアプローチは、次のような擬似ラベルを改善するためにCAMを洗練するためのマルチトレーニングパイプラインに従っている。 1) CAMを生成するために分類モデルを再訓練すること。 2 擬似ラベルを取得するための後処理CAM 3) 得られた擬似ラベルを用いて意味セグメンテーションモデルを訓練する。 しかし、このマルチトレーニングパイプラインは複雑な調整と追加時間を必要とする。 そこで本研究では,分類器を再訓練することなく,より優れた擬似ラベルを生成するための,クラス条件推論戦略とアクティベーション対応マスク精錬損失関数を提案する。 クラス条件推論時間アプローチは別々に提示され、分類ネットワークの隠れオブジェクトアクティベーションを反復的に明らかにし、より完全な応答マップを生成する。 さらに,このアクティベーション認識マスク改良損失関数は,セグメンテーショントレーニング中にサリエンシーマップを活用し,背景オブジェクトを抑圧することなくフォアグラウンドオブジェクトマスクを洗練する新しい方法を導入する。 本手法は,分類器の再学習を必要とせず,優れたWSSS結果が得られる。

関連論文リスト

• Dynamic Pseudo Label Optimization in Point-Supervised Nuclei Segmentation [17.698430642075813]
  我々は、textbfDynamic pseudo label textbfOptimization in point-supervised textbfNuclei textbfSegmentation を実現するDoNuSegというフレームワークを提案する。 DoNuSegは、クラスアクティベーションマップ(CAM)を利用して、アノテーション付きポイントに似た意味を持つ領域を適応的にキャプチャする。
  論文  参考訳（メタデータ） (2024-06-24T08:20:53Z)
• Auxiliary Tasks Enhanced Dual-affinity Learning for Weakly Supervised Semantic Segmentation [79.05949524349005]
  AuxSegNet+は、サリエンシマップから豊富な情報を探索する弱教師付き補助学習フレームワークである。 また,サリエンシとセグメンテーションの特徴マップから画素レベルの親和性を学習するためのクロスタスク親和性学習機構を提案する。
  論文  参考訳（メタデータ） (2024-03-02T10:03:21Z)
• Segment Anything Model (SAM) Enhanced Pseudo Labels for Weakly Supervised Semantic Segmentation [30.812323329239614]
  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、画像レベルのアノテーションのみを使用することで、精細なピクセルレベルのアノテーションの必要性を回避することを目的としている。 既存のほとんどのメソッドは、ピクセルレベルの擬似ラベルを導出するためにクラスアクティベーションマップ(CAM)に依存している。 オブジェクト,部品,サブパートのきめ細かいインスタンスマスクを生成できるクラスに依存しない基礎モデルであるSegment Anything Model (SAM) を利用した,シンプルで効果的な手法を提案する。
  論文  参考訳（メタデータ） (2023-05-09T23:24:09Z)
• Saliency Guided Inter- and Intra-Class Relation Constraints for Weakly Supervised Semantic Segmentation [66.87777732230884]
  本稿では,活性化対象領域の拡大を支援するために,Salliency Guided Inter-およびIntra-Class Relation Constrained (I$2$CRC) フレームワークを提案する。 また,オブジェクトガイド付きラベルリファインメントモジュールを導入し,セグメンテーション予測と初期ラベルをフル活用し,優れた擬似ラベルを得る。
  論文  参考訳（メタデータ） (2022-06-20T03:40:56Z)
• Threshold Matters in WSSS: Manipulating the Activation for the Robust and Accurate Segmentation Model Against Thresholds [16.6833745997519]
  弱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クス(WSSS)は、画像レベルのラベルだけでセマンティクスモデルをトレーニングするという約束により、最近注目を集めている。 既存のWSSSメソッドは一般的に、CAMのスパースカバレッジがWSSSのパフォーマンスボトルネックを引き起こすと主張している。 本稿は, 実際のボトルネックはスパースカバレッジではなく, CAM後に適用されたグローバルしきい値決定方式である,という分析的および実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2022-03-30T04:26:14Z)
• Leveraging Auxiliary Tasks with Affinity Learning for Weakly Supervised Semantic Segmentation [88.49669148290306]
  そこで我々はAuxSegNetと呼ばれる弱教師付きマルチタスク・フレームワークを提案し,サリエンシ検出とマルチラベル画像分類を補助タスクとして活用する。 同様の構造的セマンティクスに着想を得て,サリエンシとセグメンテーションの表現から,クロスタスクなグローバル画素レベルの親和性マップを学習することを提案する。 学習されたクロスタスク親和性は、両方のタスクに対して改善された擬似ラベルを提供するために、唾液度予測を洗練し、CAMマップを伝播するために使用することができる。
  論文  参考訳（メタデータ） (2021-07-25T11:39:58Z)
• Refining Pseudo Labels with Clustering Consensus over Generations for Unsupervised Object Re-identification [84.72303377833732]
  教師なしのオブジェクト再識別は、アノテーションなしでオブジェクト検索のための識別表現を学習することを目的としている。 本稿では,クラスタリングコンセンサスを用いた連続学習世代間の擬似ラベル類似性を推定し,時間的に伝播およびアンサンブルされた擬似ラベルを用いた洗練された擬似ラベルを提案する。 提案する擬似ラベル精錬戦略は単純だが有効であり、既存のクラスタリングに基づく教師なし再同定手法にシームレスに統合することができる。
  論文  参考訳（メタデータ） (2021-06-11T02:42:42Z)
• A Closer Look at Self-training for Zero-Label Semantic Segmentation [53.4488444382874]
  トレーニング中に見られないクラスをセグメント化できることは、ディープラーニングにおいて重要な技術的課題です。 事前のゼロラベルセマンティクスセグメンテーションは、ビジュアル・セマンティクスの埋め込みや生成モデルを学ぶことによってこのタスクにアプローチする。 本研究では,同一画像の異なる増分から生じる擬似ラベルの交点を取り出し,ノイズの多い擬似ラベルをフィルタリングする整合性正規化器を提案する。
  論文  参考訳（メタデータ） (2021-04-21T14:34:33Z)
• Zoom-CAM: Generating Fine-grained Pixel Annotations from Image Labels [15.664293530106637]
  Zoom-CAMは、様々な識別クラスのインスタンスに対して、きめ細かい小さなオブジェクトをキャプチャする。 クラスラベルからピクセルレベルの擬似ラベルを生成することに注力する。 弱い教師付きセマンティックセグメンテーションのために、生成した擬似ラベルは、アートモデルの状態を1.1%改善する。
  論文  参考訳（メタデータ） (2020-10-16T22:06:43Z)
• Weakly-Supervised Semantic Segmentation via Sub-category Exploration [73.03956876752868]
  我々は、オブジェクトの他の部分に注意を払うために、ネットワークを強制する単純で効果的なアプローチを提案する。 具体的には、画像の特徴をクラスタリングして、アノテーション付き親クラスごとに擬似サブカテゴリラベルを生成する。 提案手法の有効性を検証し,提案手法が最先端手法に対して良好に機能することを示す。
  論文  参考訳（メタデータ） (2020-08-03T20:48:31Z)

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。