論文の概要: Towards Unsupervised Open World Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2201.01073v1
• Date: Tue, 4 Jan 2022 10:29:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-05 14:05:24.214732
• Title: Towards Unsupervised Open World Semantic Segmentation
• Title（参考訳）: 教師なしオープンワールドセグメンテーションに向けて
• Authors: Svenja Uhlemeyer, Matthias Rottmann, Hanno Gottschalk
• Abstract要約: 視覚的類似性に基づいて未知のオブジェクトをクラスタ化する手法を提案する。 予測セマンティックセグメンテーションの連結成分はセグメンテーション品質推定によって評価される。 DNNのクラス空間は,基礎的な真理にアクセスできなくても,しかも少ないデータでも,新しいクラスによって拡張可能であることを実証する。
• 参考スコア（独自算出の注目度）: 6.445605125467575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For the semantic segmentation of images, state-of-the-art deep neural networks (DNNs) achieve high segmentation accuracy if that task is restricted to a closed set of classes. However, as of now DNNs have limited ability to operate in an open world, where they are tasked to identify pixels belonging to unknown objects and eventually to learn novel classes, incrementally. Humans have the capability to say: I don't know what that is, but I've already seen something like that. Therefore, it is desirable to perform such an incremental learning task in an unsupervised fashion. We introduce a method where unknown objects are clustered based on visual similarity. Those clusters are utilized to define new classes and serve as training data for unsupervised incremental learning. More precisely, the connected components of a predicted semantic segmentation are assessed by a segmentation quality estimate. connected components with a low estimated prediction quality are candidates for a subsequent clustering. Additionally, the component-wise quality assessment allows for obtaining predicted segmentation masks for the image regions potentially containing unknown objects. The respective pixels of such masks are pseudo-labeled and afterwards used for re-training the DNN, i.e., without the use of ground truth generated by humans. In our experiments we demonstrate that, without access to ground truth and even with few data, a DNN's class space can be extended by a novel class, achieving considerable segmentation accuracy.
• Abstract（参考訳）: 画像のセマンティックセグメンテーションのために、最先端のディープニューラルネットワーク(DNN)は、そのタスクが閉じたクラスのセットに制限されている場合、高いセグメンテーション精度を達成する。 しかし、現在、DNNは、未知のオブジェクトに属するピクセルを識別し、最終的に新しいクラスを漸進的に学習する、オープンな世界での運用能力に制限がある。 人間は言う能力を持っている:私はそれが何であるかわからないが、私はすでにそのようなものを見た。 したがって、このような漸進的な学習を教師なしの方法で行うことが望ましい。 視覚的類似性に基づいて未知のオブジェクトをクラスタ化する手法を提案する。 これらのクラスタは、新しいクラスを定義し、教師なしのインクリメンタル学習のトレーニングデータとして利用します。 より正確には、予測された意味セグメンテーションの連結成分をセグメンテーション品質推定により評価する。 予測品質の低い結合コンポーネントは、その後のクラスタリングの候補となる。 さらに、コンポーネント品質評価により、未知のオブジェクトを含む可能性のある画像領域の予測セグメンテーションマスクを得ることができる。 これらのマスクの各画素は疑似ラベル付けされ、その後、人間によって生成された根拠真理を使わずに、dnnの再訓練に使用される。 実験では、基礎的真理にアクセスせず、データも少ない場合でも、dnnのクラス空間を新しいクラスで拡張でき、かなりのセグメンテーション精度が得られることを実証した。

関連論文リスト

• NP-SemiSeg: When Neural Processes meet Semi-Supervised Semantic Segmentation [87.50830107535533]
  半教師付きセマンティックセグメンテーションでは、トレーニング時にピクセルワイズラベルをラベル付けされていない画像に割り当てる。 モデルによるクラスワイズ確率分布から各画素の擬似ラベルを予測し,半教師付きセマンティックセマンティックセマンティクスへのアプローチ 本研究では,NPを半教師付きセマンティックセグメンテーションに適応させることにより一歩前進し,NP-SemiSegと呼ばれる新しいモデルを実現する。
  論文  参考訳（メタデータ） (2023-08-05T12:42:15Z)
• Evidential Deep Learning for Class-Incremental Semantic Segmentation [15.563703446465823]
  クラス増分学習(Class-Incremental Learning)は、以前トレーニングされたニューラルネットワークを新しいクラスに拡張することを目的とした機械学習の課題である。 本稿では、将来的な非相関クラスの特徴クラスタリングを回避しつつ、ラベルのないクラスをモデル化する方法の問題に対処する。 提案手法は,この問題をディリクレ分布の期待値と推定の不確実性に対応する未知のクラス(背景)確率で計算した,別のフォアグラウンドクラス確率に分解する。
  論文  参考訳（メタデータ） (2022-12-06T10:13:30Z)
• Visual Recognition with Deep Nearest Centroids [57.35144702563746]
  我々は、概念的にエレガントで驚くほど効果的な大規模視覚認識ネットワークである深部セントロイド(DNC)を考案した。 パラメトリックと比較すると、DNCは画像分類(CIFAR-10, ImageNet)に優れ、画像認識(ADE20K, Cityscapes)を大いに起動する。
  論文  参考訳（メタデータ） (2022-09-15T15:47:31Z)
• Segmenting Known Objects and Unseen Unknowns without Prior Knowledge [86.46204148650328]
  全体論的セグメンテーションは、目に見えない未知のカテゴリのオブジェクトを、それに関する事前の知識なしにインスタンスに識別し、分離することを目的としている。 U3HSでは、未知の領域を極めて不確実な領域として見つけ、対応するインスタンス認識の埋め込みを個々のオブジェクトにクラスタ化する。 MS、Cityscapes、Lost&Foundの公開データに関する実験は、U3HSの有効性を実証している。
  論文  参考訳（メタデータ） (2022-09-12T16:59:36Z)
• CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
  本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。 我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
  論文  参考訳（メタデータ） (2021-10-29T18:41:15Z)
• Selective Pseudo-label Clustering [42.19193184852487]
  ディープニューラルネットワーク(DNN)は、高次元データをクラスタリングする困難なタスクに対処する手段を提供する。 DNNのトレーニングに最も自信のある擬似ラベルのみを用いる選択的擬似ラベルクラスタリングを提案する。 新しいアプローチは、3つの人気のある画像データセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-07-22T13:56:53Z)
• LRGNet: Learnable Region Growing for Class-Agnostic Point Cloud Segmentation [19.915593390338337]
  本研究は,クラス非依存のクラウドセグメンテーションのための学習可能な領域成長手法を提案する。 提案手法は, 物体の形状や大きさを仮定することなく, 単一の深層ニューラルネットワークを用いて任意のクラスを分割することができる。
  論文  参考訳（メタデータ） (2021-03-16T15:58:01Z)
• Fool Me Once: Robust Selective Segmentation via Out-of-Distribution Detection with Contrastive Learning [27.705683228657175]
  ネットワークを訓練し,セグメンテーションと画素単位のアウトオブディストリビューション(ood)検出を同時に行う。 これは、OoDデータセットを新しい対比目標とデータ拡張スキームで活用することによって実現される。 OoDの予測値に基づいてシーンを選択的にセグメンテーションすることで、代替技術に関して0.2のIoUでセグメンテーション精度を向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-03-01T09:38:40Z)
• Unsupervised Semantic Segmentation by Contrasting Object Mask Proposals [78.12377360145078]
  画素埋め込みを学習するために、コントラスト最適化の目的として、予め決められた事前を取り入れた新しい2段階フレームワークを導入する。 これは、プロキシタスクやエンドツーエンドのクラスタリングに依存する既存の作業から大きく逸脱している。 特に、PASCALでラベル付き例の1%だけを用いて学習した表現を微調整すると、7.1% mIoUで教師付き ImageNet の事前トレーニングを上回ります。
  論文  参考訳（メタデータ） (2021-02-11T18:54:47Z)
• Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
  この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。 画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。 特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
  論文  参考訳（メタデータ） (2020-12-09T12:40:13Z)
• Region Growing with Convolutional Neural Networks for Biomedical Image Segmentation [1.5469452301122177]
  本稿では,各座標方向の予測マスク領域を反復的に成長させることにより,畳み込みニューラルネットワーク(CNN)を用いてセグメンテーションを行う手法を提案する。 我々は、CNNの確率スコアのしきい値を用いて、その領域にピクセルが追加され、その領域に新しいピクセルが加わらないまで繰り返し続けるかどうかを判定する。 本手法は,少量のトレーニングデータを活用するとともに,計算効率を保ちながら,高いセグメンテーション精度を達成し,生物学的に現実的な形態的特徴を維持できる。
  論文  参考訳（メタデータ） (2020-09-23T17:53:00Z)

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。