論文の概要: Deep Level Set for Box-supervised Instance Segmentation in Aerial Images

• arxiv url: http://arxiv.org/abs/2112.03451v1
• Date: Tue, 7 Dec 2021 02:27:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-09 03:43:22.804638
• Title: Deep Level Set for Box-supervised Instance Segmentation in Aerial Images
• Title（参考訳）: 航空画像におけるボックス制御インスタンスセグメンテーションのためのディープレベルセット
• Authors: Wentong Li, Yijie Chen, Wenyu Liu, Jianke Zhu
• Abstract要約: 本稿では,空域オブジェクトの一連のレベルセット関数を学習するためにネットワークを駆動する,新しい空域インスタンスセグメンテーション手法を提案する。 実験の結果,提案手法は最先端のボックス管理インスタンスセグメンテーション法よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 27.659592291045414
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Box-supervised instance segmentation has recently attracted lots of research efforts while little attention is received in aerial image domain. In contrast to the general object collections, aerial objects have large intra-class variances and inter-class similarity with complex background. Moreover, there are many tiny objects in the high-resolution satellite images. This makes the recent pairwise affinity modeling method inevitably to involve the noisy supervision with the inferior results. To tackle these problems, we propose a novel aerial instance segmentation approach, which drives the network to learn a series of level set functions for the aerial objects with only box annotations in an end-to-end fashion. Instead of learning the pairwise affinity, the level set method with the carefully designed energy functions treats the object segmentation as curve evolution, which is able to accurately recover the object's boundaries and prevent the interference from the indistinguishable background and similar objects. The experimental results demonstrate that the proposed approach outperforms the state-of-the-art box-supervised instance segmentation methods. The source code is available at https://github.com/LiWentomng/boxlevelset.
• Abstract（参考訳）: box-supervised instance segmentationは最近多くの研究成果を集めているが、航空画像領域ではあまり注目されていない。 一般的なオブジェクトコレクションとは対照的に、空中オブジェクトはクラス内の大きなばらつきと複雑な背景とのクラス間の類似性を持つ。 さらに、高解像度衛星画像には多数の小さな物体が存在する。 これにより,近年のペアワイズ・アフィニティ・モデリング手法では,不利な結果を伴うノイズの監視が必然的に必要となる。 このような問題に対処するため,本研究では,ボックスアノテーションのみを終端的に使用して,空域オブジェクトの一連のレベルセット関数を学習する,新しい空域インスタンスセグメンテーション手法を提案する。 一対の親和性を学習する代わりに、慎重に設計されたエネルギー関数を持つレベルセット法は、対象のセグメンテーションを曲線の進化として扱い、オブジェクトの境界を正確に回復し、区別できない背景や類似の物体からの干渉を防ぐことができる。 実験の結果,提案手法は最先端のボックス管理インスタンスセグメンテーション法よりも優れていることがわかった。 ソースコードはhttps://github.com/liwentomng/boxlevelsetで入手できる。

関連論文リスト

• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• Box-supervised Instance Segmentation with Level Set Evolution [41.19797478617953]
  本稿では,古典的レベルセットモデルと深層ニューラルネットワークを微妙に統合したボックス教師付きインスタンスセグメンテーション手法を提案する。 単純なマスク管理SOLOv2モデルを用いて、各インスタンスのレベルセットとして、インスタンス認識マスクマップを予測する。 4つの挑戦的ベンチマークの実験結果から,提案手法の先行性能が示された。
  論文  参考訳（メタデータ） (2022-07-19T03:59:44Z)
• Discovering Objects that Can Move [55.743225595012966]
  手動ラベルなしでオブジェクトを背景から分離する、オブジェクト発見の問題について検討する。 既存のアプローチでは、色、テクスチャ、位置などの外観の手がかりを使用して、ピクセルをオブジェクトのような領域に分類する。 私たちは、動的オブジェクト -- 世界で独立して動くエンティティ -- にフォーカスすることを選びます。
  論文  参考訳（メタデータ） (2022-03-18T21:13:56Z)
• Robust Region Feature Synthesizer for Zero-Shot Object Detection [87.79902339984142]
  我々は,クラス内セマンティック・ディバージングコンポーネントとクラス間構造保存コンポーネントを含む,新しいゼロショットオブジェクト検出フレームワークを構築した。 リモートセンシング画像においてゼロショット物体検出を行う最初の研究である。
  論文  参考訳（メタデータ） (2022-01-01T03:09:15Z)
• Multi-patch Feature Pyramid Network for Weakly Supervised Object Detection in Optical Remote Sensing Images [39.25541709228373]
  マルチパッチ特徴ピラミッドネットワーク(MPFP-Net)を用いたオブジェクト検出のための新しいアーキテクチャを提案する。 MPFP-Netは、トレーニング中の最も差別的なパッチのみを追求する現在のモデルとは異なる。 残余値の正則化と核融合遷移層を厳密にノルム保存する有効な方法を提案する。
  論文  参考訳（メタデータ） (2021-08-18T09:25:39Z)
• Instance Localization for Self-supervised Detection Pretraining [68.24102560821623]
  インスタンスローカリゼーションと呼ばれる,新たな自己監視型プリテキストタスクを提案する。 境界ボックスを事前学習に組み込むことで、より優れたタスクアライメントとアーキテクチャアライメントが促進されることを示す。 実験結果から, オブジェクト検出のための最先端の転送学習結果が得られた。
  論文  参考訳（メタデータ） (2021-02-16T17:58:57Z)
• Robust Instance Segmentation through Reasoning about Multi-Object Occlusion [9.536947328412198]
  本稿では,隠蔽に頑健な多目的インスタンスセグメンテーションのためのディープネットワークを提案する。 私たちの研究は、神経機能アクティベーションの生成モデルを学習し、オクローダの発見に役立てています。 特に、オブジェクトクラスとそのインスタンスおよびオクルーダーセグメンテーションのフィードフォワード予測を得る。
  論文  参考訳（メタデータ） (2020-12-03T17:41:55Z)
• Multiple instance learning on deep features for weakly supervised object detection with extreme domain shifts [1.9336815376402716]
  近年,画像レベルのアノテーションのみを用いたオブジェクト検出 (WSOD) が注目されている。 事前学習した深部特徴に応用した単純な複数インスタンスアプローチは、非写真データセットに優れた性能をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-08-03T20:36:01Z)
• Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
  本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。 より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
  論文  参考訳（メタデータ） (2020-07-17T15:41:37Z)
• Object-Centric Image Generation from Layouts [93.10217725729468]
  複数のオブジェクトを持つ複雑なシーンを生成するレイアウト・ツー・イメージ生成法を開発した。 本手法は,シーン内のオブジェクト間の空間的関係の表現を学習し,レイアウトの忠実度の向上につながる。 本稿では,Fr'echet Inception Distanceのオブジェクト中心適応であるSceneFIDを紹介する。
  論文  参考訳（メタデータ） (2020-03-16T21:40:09Z)

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。