論文の概要: Consensus Synergizes with Memory: A Simple Approach for Anomaly
Segmentation in Urban Scenes
- arxiv url: http://arxiv.org/abs/2111.15463v1
- Date: Wed, 24 Nov 2021 10:01:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-06 01:02:40.512351
- Title: Consensus Synergizes with Memory: A Simple Approach for Anomaly
Segmentation in Urban Scenes
- Title(参考訳): コンセンサスが記憶と融合する:都市シーンにおける異常セグメンテーションの簡易的アプローチ
- Authors: Jiazhong Cen, Zenkun Jiang, Lingxi Xie, Qi Tian, Xiaokang Yang, Wei
Shen
- Abstract要約: 異常セグメンテーション(Anomaly segmentation)は、都市部における自律運転のような安全クリティカルなアプリケーションにとって重要な課題である。
本稿では,この課題に対処するため,Consensus Synergizes with Memory (CosMe) という新しいシンプルなアプローチを提案する。
いくつかの都市景観異常セグメンテーションデータセットの実験結果から、CosMeは従来のアプローチよりも大きなマージンで優れていることが示された。
- 参考スコア(独自算出の注目度): 132.16748656557013
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly segmentation is a crucial task for safety-critical applications, such
as autonomous driving in urban scenes, where the goal is to detect
out-of-distribution (OOD) objects with categories which are unseen during
training. The core challenge of this task is how to distinguish hard
in-distribution samples from OOD samples, which has not been explicitly
discussed yet. In this paper, we propose a novel and simple approach named
Consensus Synergizes with Memory (CosMe) to address this challenge, inspired by
the psychology finding that groups perform better than individuals on memory
tasks. The main idea is 1) building a memory bank which consists of seen
prototypes extracted from multiple layers of the pre-trained segmentation model
and 2) training an auxiliary model that mimics the behavior of the pre-trained
model, and then measuring the consensus of their mid-level features as
complementary cues that synergize with the memory bank. CosMe is good at
distinguishing between hard in-distribution examples and OOD samples.
Experimental results on several urban scene anomaly segmentation datasets show
that CosMe outperforms previous approaches by large margins.
- Abstract(参考訳): 異常セグメンテーション(英: Anomaly segmentation)は、都市部における自律運転のような安全上重要なアプリケーションにとって重要な課題であり、そこでは訓練中に目に見えないカテゴリの配布外物(OOD)を検出することが目的である。
この課題の中核となる課題は、まだ明確に議論されていないOODサンプルとハードインディストリビューションサンプルを区別する方法である。
本稿では,この課題に対処するための,Consensus Synergizes with Memory (CosMe) という,新規でシンプルなアプローチを提案する。
主な考え方は
1)予め訓練されたセグメンテーションモデルの複数層から抽出した試作品からなる記憶バンクの構築
2)事前学習したモデルの動作を模倣した補助モデルをトレーニングし、その中間レベルの特徴のコンセンサスを、メモリバンクと相乗する補完的手がかりとして測定する。
CosMeは、ハードインディストリビューションの例とOODサンプルの区別が得意である。
いくつかの都市シーンの異常セグメンテーションデータセットにおける実験結果は、cosmeが以前のアプローチを大きなマージンで上回っていることを示している。
関連論文リスト
- Semantic-SAM: Segment and Recognize Anything at Any Granularity [83.64686655044765]
本稿では,任意の粒度でセグメンテーションと認識を可能にする汎用画像セグメンテーションモデルであるSemantic-SAMを紹介する。
複数のデータセットを3つの粒度に集約し、オブジェクトとパーツの分離した分類を導入する。
マルチグラニュラリティ機能を実現するために,各クリックで複数のレベルのマスクを生成できるマルチ選択学習方式を提案する。
論文 参考訳(メタデータ) (2023-07-10T17:59:40Z) - Weakly-Supervised Concealed Object Segmentation with SAM-based Pseudo
Labeling and Multi-scale Feature Grouping [40.07070188661184]
Wakly-Supervised Concealed Object (WSCOS) は、周囲の環境とうまく融合したオブジェクトを分割することを目的としている。
内在的な類似性のため、背景から隠された物体を区別することは困難である。
これら2つの課題に対処する新しいWSCOS手法を提案する。
論文 参考訳(メタデータ) (2023-05-18T14:31:34Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳(メタデータ) (2023-04-04T17:54:32Z) - Instance-Level Relative Saliency Ranking with Graph Reasoning [126.09138829920627]
そこで本研究では,有意な事例を分割し,相対的有意な有意なランク順序を推定するための統一モデルを提案する。
また、サラレンシーランキングブランチを効果的にトレーニングするために、新しい損失関数も提案されている。
実験の結果,提案手法は従来の手法よりも有効であることがわかった。
論文 参考訳(メタデータ) (2021-07-08T13:10:42Z) - Zero-Shot Instance Segmentation [4.457471295379149]
ゼロショットインスタンスセグメンテーション (ZSI) と呼ばれる新しいタスクセットを提案する。
トレーニングフェーズでは、モデルは可視データでトレーニングされるが、テストフェーズでは、すべての可視および不可視のインスタンスをセグメントするために使用される。
MS-COCOデータセットに基づくゼロショットインスタンスセグメンテーションの新しいベンチマークを提示する。
論文 参考訳(メタデータ) (2021-04-14T03:02:48Z) - Reviving Iterative Training with Mask Guidance for Interactive
Segmentation [8.271859911016719]
クリックに基づくインタラクティブセグメンテーションに関する最近の研究は、様々な推論時間最適化スキームを用いて最先端の結果を示している。
従来のステップのセグメンテーションマスクを用いた,クリックベースのインタラクティブセグメンテーションのための簡単なフィードフォワードモデルを提案する。
COCOとLVISの組み合わせで訓練されたモデルと、多様で高品質のアノテーションは、既存のすべてのモデルよりも優れたパフォーマンスを示しています。
論文 参考訳(メタデータ) (2021-02-12T15:44:31Z) - The Devil is in Classification: A Simple Framework for Long-tail Object
Detection and Instance Segmentation [93.17367076148348]
本稿では,最新のロングテールLVISデータセットを用いて,最先端の2段階のインスタンスセグメンテーションモデルMask R-CNNの性能低下について検討する。
主な原因は、オブジェクト提案の不正確な分類である。
そこで本研究では,2段階のクラスバランスサンプリング手法により,分類ヘッドバイアスをより効果的に緩和する,簡単な校正フレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-23T12:49:07Z) - UniT: Unified Knowledge Transfer for Any-shot Object Detection and
Segmentation [52.487469544343305]
オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。
本稿では,直感的かつ統一的な半教師付きモデルを提案する。
論文 参考訳(メタデータ) (2020-06-12T22:45:47Z) - Dynamic Sampling for Deep Metric Learning [7.010669841466896]
深度メートル法学習は、視覚的に類似した画像を近くの場所にマッピングし、埋め込み多様体内の互いに視覚的に異なる画像を分離する。
トレーニングペアをネットワークに送受信し易い順に整理する動的サンプリング戦略を提案する。
これにより、ネットワークは、初期の簡単なトレーニングペアからカテゴリ間の一般的な境界を学習し、後のハードトレーニングサンプルに主に依存したモデルの詳細を確定することができる。
論文 参考訳(メタデータ) (2020-04-24T09:47:23Z)
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。