論文の概要: Task-Adaptive Feature Transformer with Semantic Enrichment for Few-Shot Segmentation

• arxiv url: http://arxiv.org/abs/2202.06498v1
• Date: Mon, 14 Feb 2022 06:16:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-15 17:22:48.095326
• Title: Task-Adaptive Feature Transformer with Semantic Enrichment for Few-Shot Segmentation
• Title（参考訳）: Few-Shotセグメンテーションのためのセマンティックエンリッチメントを有するタスク適応型特徴変換器
• Authors: Jun Seo, Young-Hyun Park, Sung Whan Yoon, Jaekyun Moon
• Abstract要約: わずかながらの学習により、機械はいくつかのラベル付きサンプルを使用して新しいクラスを分類できる。 本稿では,既存のセグメンテーションネットワーク上に,数発のセグメンテーションを行うための学習可能なモジュールを提案する。 PASCAL-$5i$とCOCO-$20i$データセットの実験では、追加されたモジュールが既存のセグメンテーションの機能を拡張することに成功した。
• 参考スコア（独自算出の注目度）: 21.276981570672064
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Few-shot learning allows machines to classify novel classes using only a few labeled samples. Recently, few-shot segmentation aiming at semantic segmentation on low sample data has also seen great interest. In this paper, we propose a learnable module that can be placed on top of existing segmentation networks for performing few-shot segmentation. This module, called the task-adaptive feature transformer (TAFT), linearly transforms task-specific high-level features to a set of task agnostic features well-suited to conducting few-shot segmentation. The task-conditioned feature transformation allows an effective utilization of the semantic information in novel classes to generate tight segmentation masks. We also propose a semantic enrichment (SE) module that utilizes a pixel-wise attention module for high-level feature and an auxiliary loss from an auxiliary segmentation network conducting the semantic segmentation for all training classes. Experiments on PASCAL-$5^i$ and COCO-$20^i$ datasets confirm that the added modules successfully extend the capability of existing segmentators to yield highly competitive few-shot segmentation performances.
• Abstract（参考訳）: わずかながらの学習により、機械はいくつかのラベル付きサンプルを使用して新しいクラスを分類できる。 近年,低サンプルデータにおける意味的セグメンテーションを指向したショットセグメンテーションも注目されている。 本稿では,既存のセグメンテーションネットワーク上に,数発のセグメンテーションを行うための学習可能なモジュールを提案する。 このモジュールはtask-adaptive feature transformer (taft)と呼ばれ、タスク固有のハイレベルな機能をタスクに依存しない一連の機能に線形に変換する。 タスク条件付き特徴変換は、新しいクラスの意味情報を効果的に活用し、タイトなセグメンテーションマスクを生成する。 また,高次機能のための画素ワイドアテンションモジュールと,すべてのトレーニングクラスに対してセマンティックセグメンテーションを行う補助セグメンテーションネットワークからの補助損失を利用したセマンティックエンリッチメント(SE)モジュールを提案する。 PASCAL-$5^i$およびCOCO-$20^i$データセットの実験により、追加モジュールが既存のセグメンテータの能力を拡張し、高い競争力を持つ数ショットセグメンテーション性能が得られることを確認した。

関連論文リスト

• 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)
• Multi-Scale Semantic Segmentation with Modified MBConv Blocks [29.026787888644474]
  セマンティックセグメンテーションに適したMBConvブロックの新規適応を導入する。 これらの変更を実装することで、Cityscapesのテストおよび検証データセットにおいて、IoU(Intersection over Union)の84.5%と84.0%という印象的な平均値が得られる。
  論文  参考訳（メタデータ） (2024-02-07T07:01:08Z)
• Hierarchical Dense Correlation Distillation for Few-Shot Segmentation-Extended Abstract [47.85056124410376]
  Few-shot semantic segmentation (FSS) は、いくつかのアノテーションだけで見えないクラスをセグメンテーションするクラスに依存しないモデルを構築することを目的としている。 我々は、トランスアーキテクチャに基づく階層的分離マッチングネットワーク(HDMNet)マイニングピクセルレベルのサポート相関を設計する。 本稿では,列車セットの過度適合を低減し,粗い分解から意味対応を生かした相関蒸留を導入し,細粒度セグメンテーションを向上するマッチングモジュールを提案する。
  論文  参考訳（メタデータ） (2023-06-27T08:10:20Z)
• Mask Matching Transformer for Few-Shot Segmentation [71.32725963630837]
  Mask Matching Transformer (MM-Former) は、少数ショットセグメンテーションタスクのための新しいパラダイムである。 まず、MM-Formerは、まず分解し、次にブレンドするというパラダイムに従う。 一般的なCOCO-20i$とPascal-5i$ベンチマークに関する広範な実験を行っている。
  論文  参考訳（メタデータ） (2022-12-05T11:00:32Z)
• Leveraging GAN Priors for Few-Shot Part Segmentation [43.35150430895919]
  わずかなショット部分のセグメンテーションは、少数のサンプルしか与えられていないオブジェクトの異なる部分を切り離すことを目的としている。 本稿では,タスク固有の特徴を「事前学習」-「微調整」パラダイムで学習することを提案する。
  論文  参考訳（メタデータ） (2022-07-27T10:17:07Z)
• 3D Meta-Segmentation Neural Network [12.048487830494107]
  本稿では,3次元形状分割関数を課題とするメタラーニング手法を提案する。 本手法は,複数の3次元部分分割タスクをトレーニングすることにより,各3次元部分分割関数空間の事前学習を可能にする。 本モデルは,広く使用されているデータセットであるShapeNetの少数ショット設定により,より優れた部分セグメンテーション性能を実現することを実証する。
  論文  参考訳（メタデータ） (2021-10-08T01:47:54Z)
• Boosting Few-shot Semantic Segmentation with Transformers [81.43459055197435]
  TRansformer-based Few-shot Semantic segmentation Method (TRFS) 我々のモデルは,グローバル・エンハンスメント・モジュール(GEM)とローカル・エンハンスメント・モジュール(LEM)の2つのモジュールから構成される。
  論文  参考訳（メタデータ） (2021-08-04T20:09:21Z)
• Semantic Attention and Scale Complementary Network for Instance Segmentation in Remote Sensing Images [54.08240004593062]
  本稿では,セマンティックアテンション(SEA)モジュールとスケール補完マスクブランチ(SCMB)で構成される,エンドツーエンドのマルチカテゴリインスタンスセグメンテーションモデルを提案する。 SEAモジュールは、機能マップ上の興味あるインスタンスのアクティベーションを強化するために、追加の監督を備えた、単純な完全な畳み込みセマンティックセマンティックセマンティクスブランチを含んでいる。 SCMBは、元のシングルマスクブランチをトリデントマスクブランチに拡張し、異なるスケールで補完マスクの監視を導入する。
  論文  参考訳（メタデータ） (2021-07-25T08:53:59Z)
• Segmenter: Transformer for Semantic Segmentation [79.9887988699159]
  セマンティックセグメンテーションのためのトランスフォーマーモデルであるSegmenterを紹介します。 最近のViT(Vision Transformer)上に構築し,セマンティックセグメンテーションに拡張する。 これは、挑戦的なADE20Kデータセット上でのアートの状態を上回り、Pascal ContextとCityscapesでオンパーを実行する。
  論文  参考訳（メタデータ） (2021-05-12T13:01:44Z)
• Task-Adaptive Feature Transformer for Few-Shot Segmentation [21.276981570672064]
  タスク適応型特徴変換器 (TAFT) の少数ショットセグメンテーションのための学習可能なモジュールを提案する。 TAFTは、タスク固有の高レベル機能を、セグメンテーションジョブに適したタスクに依存しない一連の特徴に線形に変換する。 PASCAL-$5i$データセットの実験では、この組み合わせがセグメンテーションアルゴリズムに数発の学習機能を追加することに成功している。
  論文  参考訳（メタデータ） (2020-10-22T04:35:37Z)

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。