論文の概要: Anomaly Discovery in Semantic Segmentation via Distillation Comparison Networks

• arxiv url: http://arxiv.org/abs/2112.09908v1
• Date: Sat, 18 Dec 2021 11:32:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-21 16:38:05.971453
• Title: Anomaly Discovery in Semantic Segmentation via Distillation Comparison Networks
• Title（参考訳）: 蒸留比較ネットワークによるセマンティックセグメンテーションの異常発見
• Authors: Huan Zhou, Shi Gong, Yu Zhou, Zengqiang Zheng, Ronghua Liu, Xiang Bai
• Abstract要約: セマンティックセグメンテーションにおける異常発見問題に対処する新しい蒸留比較ネットワーク(DiCNet)を提案する。 DiCNetは推論過程において意味分類ヘッドを放棄し、したがって誤った意味分類に起因する問題を著しく軽減する。
• 参考スコア（独自算出の注目度）: 47.880439329685544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper aims to address the problem of anomaly discovery in semantic segmentation. Our key observation is that semantic classification plays a critical role in existing approaches, while the incorrectly classified pixels are easily regarded as anomalies. Such a phenomenon frequently appears and is rarely discussed, which significantly reduces the performance of anomaly discovery. To this end, we propose a novel Distillation Comparison Network (DiCNet). It comprises of a teacher branch which is a semantic segmentation network that removed the semantic classification head, and a student branch that is distilled from the teacher branch through a distribution distillation. We show that the distillation guarantees the semantic features of the two branches hold consistency in the known classes, while reflect inconsistency in the unknown class. Therefore, we leverage the semantic feature discrepancy between the two branches to discover the anomalies. DiCNet abandons the semantic classification head in the inference process, and hence significantly alleviates the issue caused by incorrect semantic classification. Extensive experimental results on StreetHazards dataset and BDD-Anomaly dataset are conducted to verify the superior performance of DiCNet. In particular, DiCNet obtains a 6.3% improvement in AUPR and a 5.2% improvement in FPR95 on StreetHazards dataset, achieves a 4.2% improvement in AUPR and a 6.8% improvement in FPR95 on BDD-Anomaly dataset. Codes are available at https://github.com/zhouhuan-hust/DiCNet.
• Abstract（参考訳）: 本稿では,意味セグメンテーションにおける異常発見の問題に対処することを目的とする。 我々の重要な観察は、意味的分類は既存のアプローチにおいて重要な役割を果たすが、不正確な分類されたピクセルは容易に異常と見なされる。 このような現象は頻繁に現れ、ほとんど議論されないため、異常発見の性能が著しく低下する。 そこで本研究では,新しい蒸留比較ネットワーク(DiCNet)を提案する。 意味分類ヘッドを除去した意味セグメンテーションネットワークである教師分枝と、配布蒸留を介して教師分枝から蒸留される学生分枝とからなる。 蒸留により, 2つの分枝の意味的特徴が既知のクラスで一貫性を保ちながら, 未知のクラスでの不一致を反映することを示す。 したがって,2つの枝間の意味的特徴の相違を利用して異常を発見できる。 DiCNetは推論過程において意味分類ヘッドを放棄し、したがって誤った意味分類に起因する問題を著しく軽減する。 streethazardsデータセットとbdd-anomalyデータセットの広範な実験結果を用いて,dicnetの性能検証を行った。 特にDiCNetは、AUPRの6.3%の改善、StreetHazardsデータセットのFPR95の5.2%の改善、AUPRの4.2%の改善、BDD-AnomalyデータセットのFPR95の6.8%の改善を実現している。 コードはhttps://github.com/shuhuan-hust/DiCNetで入手できる。

関連論文リスト

• AdaptDiff: Cross-Modality Domain Adaptation via Weak Conditional Semantic Diffusion for Retinal Vessel Segmentation [10.958821619282748]
  本稿では、AdaptDiffという、教師なしドメイン適応(UDA)手法を提案する。 これにより、眼底撮影(FP)で訓練された網膜血管分割ネットワークが、目に見えないモダリティに対して満足な結果をもたらすことができる。 その結果,全データセットのセグメンテーション性能は大幅に向上した。
  論文  参考訳（メタデータ） (2024-10-06T23:04:29Z)
• Latent Enhancing AutoEncoder for Occluded Image Classification [2.6217304977339473]
  LEARN: Latent Enhancing feature Reconstruction Networkを紹介する。 オートエンコーダベースのネットワークで、頭の前に分類モデルに組み込むことができる。 OccludedPASCAL3D+データセットでは、提案されたLEARNが標準分類モデルより優れている。
  論文  参考訳（メタデータ） (2024-02-10T12:22:31Z)
• Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
  半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。 既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。 本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-13T04:16:40Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• ADPS: Asymmetric Distillation Post-Segmentation for Image Anomaly Detection [75.68023968735523]
  知識蒸留に基づく異常検出 (KDAD) 法は, 異常領域を検出し, セグメント化するために, 教師学生のパラダイムに頼っている。 非対称蒸留ポストセグメンテーション(ADPS)と呼ばれる革新的なアプローチを提案する。 我々のADPSは、教師-学生ネットワークの入力と同じイメージの異なる形態の非対称蒸留パラダイムを採用している。 ADPSは,MVTec ADとKolektorSDD2データセットで平均精度(AP)を9%,20%向上させることを示した。
  論文  参考訳（メタデータ） (2022-10-19T12:04:47Z)
• Cycle Label-Consistent Networks for Unsupervised Domain Adaptation [57.29464116557734]
  ドメイン適応は、ラベル付きソースドメインを活用して、異なる分布を持つラベル付きターゲットドメインの分類子を学ぶことを目的としています。 本稿では,分類ラベルのサイクル整合性を利用して,シンプルで効率的な領域適応手法,すなわちCycle Label-Consistent Network (CLCN)を提案する。 MNIST-USPS-SVHN, Office-31, Office-Home, Image CLEF-DAベンチマークに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2022-05-27T13:09:08Z)
• Delving into Probabilistic Uncertainty for Unsupervised Domain Adaptive Person Re-Identification [54.174146346387204]
  ドメイン適応型人物再識別のための確率的不確実性誘導プログレッシブラベル精錬(P$2$LR)という手法を提案する。 擬似ラベルの不確実性を測定し、ネットワークトレーニングを容易にする定量的基準を確立する。 本手法はDuke2Marketタスクではベースラインが6.5%,Market2MSMTタスクでは2.5%,最先端手法では2.5%を上回った。
  論文  参考訳（メタデータ） (2021-12-28T07:40:12Z)
• Fisher Deep Domain Adaptation [41.50519723389471]
  ディープドメイン適応モデルは、ラベル付きソースドメインからの知識を活用することにより、ラベル付けされていないターゲットドメインでニューラルネットワークを学習する。 フィッシャー損失は、クラス内コンパクトでクラス間分離可能な識別表現を学習するために提案される。
  論文  参考訳（メタデータ） (2020-03-12T06:17:48Z)
• MagnifierNet: Towards Semantic Adversary and Fusion for Person Re-identification [38.13515165097505]
  MagnifierNetはトリプルブランチネットワークで、詳細を全体から部分まで正確にマイニングする。 「セマンティックフュージョンブランチ」は、意味領域情報を逐次融合することにより、無関係なノイズを除去する。 セマンティック多様性損失」は、学習されたセマンティック表現間で重複する重複を取り除く。
  論文  参考訳（メタデータ） (2020-02-25T15:43:46Z)

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。