論文の概要: Conditional Reconstruction for Open-set Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2203.01368v1
• Date: Wed, 2 Mar 2022 19:32:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-05 12:04:52.274471
• Title: Conditional Reconstruction for Open-set Semantic Segmentation
• Title（参考訳）: オープンセット意味セグメンテーションの条件的再構成
• Authors: Ian Nunes, Matheus B. Pereira, Hugo Oliveira, Jefersson A. dos Santos, Marcus Poggi
• Abstract要約: 本稿では,入力画像のクラス条件再構成を用いたCoReSegという新しい手法を提案する。 予測においてセマンティックな一貫性が向上し、クリーン化マップが生成される。 CoRe-Segは、Vayhin-genとPotsdam ISPRSデータセットの最先端メソッドよりも優れています。
• 参考スコア（独自算出の注目度）: 2.7771471571972333
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open set segmentation is a relatively new and unexploredtask, with just a handful of methods proposed to model suchtasks.We propose a novel method called CoReSeg thattackles the issue using class conditional reconstruction ofthe input images according to their pixelwise mask. Ourmethod conditions each input pixel to all known classes,expecting higher errors for pixels of unknown classes. Itwas observed that the proposed method produces better se-mantic consistency in its predictions, resulting in cleanersegmentation maps that better fit object boundaries. CoRe-Seg outperforms state-of-the-art methods on the Vaihin-gen and Potsdam ISPRS datasets, while also being com-petitive on the Houston 2018 IEEE GRSS Data Fusiondataset. Official implementation for CoReSeg is availableat:https://github.com/iannunes/CoReSeg.
• Abstract（参考訳）: オープンセットセグメンテーションは比較的新しく未検討なタスクであり、そのようなタスクをモデル化するために、ほんの一握りのメソッドが提案されている。我々は、pixelwiseマスクに従って入力画像のクラス条件再構築を用いて問題を解決するcoresegと呼ばれる新しい手法を提案する。 私たちのメソッドは、すべての既知のクラスに対して各入力ピクセルを条件付け、未知クラスのピクセルに対する高いエラーを予測します。 提案手法は予測値のセマンティックな一貫性を向上し, オブジェクト境界に適合するクリーン化マップが得られた。 CoRe-SegはVayhin-genとPotsdamのISPRSデータセットの最先端の手法よりも優れており、Houston 2018 IEEE GRSS Data Fusiondatasetでも共同で運用されている。 CoReSegの公式実装は以下の通りである。

関連論文リスト

• MixReorg: Cross-Modal Mixed Patch Reorganization is a Good Mask Learner for Open-World Semantic Segmentation [110.09800389100599]
  セマンティックセグメンテーションのための新鮮で簡単な事前学習パラダイムであるMixReorgを提案する。 我々のアプローチは、パッチとテキストの対応を保ちながら、画像パッチを混合することで、きめ細かいパッチテキストペアデータを生成することである。 マスク学習者としてMixReorgを使用することで、従来のテキスト教師付きセマンティックセマンティックセマンティックモデルは、非常に一般化可能なピクセル・セマンティックアライメントを実現することができる。
  論文  参考訳（メタデータ） (2023-08-09T09:35:16Z)
• CorrMatch: Label Propagation via Correlation Matching for Semi-Supervised Semantic Segmentation [73.89509052503222]
  本稿では、CorrMatchと呼ばれる、単純だが実行可能な半教師付きセマンティックセマンティックセマンティックセマンティクス手法を提案する。 相関写像は、同一カテゴリのクラスタリングピクセルを容易に実現できるだけでなく、良好な形状情報も含んでいることを観察する。 我々は,高信頼画素を拡大し,さらに掘り出すために,画素の対の類似性をモデル化して画素伝搬を行う。 そして、相関地図から抽出した正確なクラス非依存マスクを用いて、領域伝搬を行い、擬似ラベルを強化する。
  論文  参考訳（メタデータ） (2023-06-07T10:02:29Z)
• High-fidelity Pseudo-labels for Boosting Weakly-Supervised Segmentation [17.804090651425955]
  画像レベルの弱い教師付きセグメンテーション(WSSS)は、トレーニング中にセグメンテーションマスクを代理することで、通常膨大なデータアノテーションコストを削減する。 本研究は,GAPの代替となる重要サンプリングと特徴類似性損失という,CAMを改善するための2つの手法に基づく。 複数の独立二項問題の後部二項問題に基づいて両手法を再構成する。 パフォーマンスが向上し、より一般的なものになり、事実上あらゆるWSSSメソッドを増強できるアドオンメソッドが出来上がります。
  論文  参考訳（メタデータ） (2023-04-05T17:43:57Z)
• ReFit: A Framework for Refinement of Weakly Supervised Semantic Segmentation using Object Border Fitting for Medical Images [4.945138408504987]
  Weakly Supervised Semantic (WSSS)は、画像レベルの監視のみに依存しているため、ネットワークの必要性に対処する上で有望なアプローチである。 本稿では,最新クラスのアクティベーションマップとポストプロセッシング手法を組み合わせたReFitフレームワークを提案する。 本手法をWSSS予測に適用することにより,医用画像の最先端WSSS法に対して最大10%の改善を実現した。
  論文  参考訳（メタデータ） (2023-03-14T12:46:52Z)
• FuSS: Fusing Superpixels for Improved Segmentation Consistency [2.7771471571972333]
  本論文では,Open Set Semanticのセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティック まず,各クラスの画素分布をマルチモーダルにモデル化するOpenGMMを提案する。 第二のアプローチは後処理で、スーパーピクセルを使って高度に均一な領域を均等に振る舞う。
  論文  参考訳（メタデータ） (2022-06-06T16:14:19Z)
• RecurSeed and EdgePredictMix: Pseudo-Label Refinement Learning for Weakly Supervised Semantic Segmentation across Single- and Multi-Stage Frameworks [3.3240906432768482]
  イメージレベルラベル(WSSS-IL)のみを用いた弱い教師付きセマンティックセマンティックセマンティックセマンティクスは、潜在的に有用である。 しかし、パフォーマンスと実装の複雑さは依然としてアプリケーションを制限する。 本稿では,非検出と偽検出を交互に削減するRecurSeedを提案する。 また、オブジェクトのエッジをさらに表現するEdgePredictMixと呼ばれる新しいデータ拡張(DA)アプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-14T04:46:43Z)
• Open-World Instance Segmentation: Exploiting Pseudo Ground Truth From Learned Pairwise Affinity [59.1823948436411]
  我々は、マスク提案のための新しいアプローチ、ジェネリックグループネットワーク(GGN)を提案する。 我々のアプローチは、ピクセル親和性の局所測定とインスタンスレベルのマスク監視を組み合わせることで、データの多様性が許容するほど汎用的なモデルを設計したトレーニングレギュレータを生成する。
  論文  参考訳（メタデータ） (2022-04-12T22:37:49Z)
• Few-shot semantic segmentation via mask aggregation [5.886986014593717]
  セマンティックセグメンテーションは、ラベル付きデータが少ない新しいクラスを認識することを目的としている。 従来の研究では、これをピクセル単位の分類問題と見なしていた。 この問題に対処するためのマスクベースの分類手法を提案する。
  論文  参考訳（メタデータ） (2022-02-15T07:13:09Z)
• Half-Real Half-Fake Distillation for Class-Incremental Semantic Segmentation [84.1985497426083]
  畳み込みニューラルネットワークは漸進的な学習に不適である。 新しいクラスは利用できるが、初期トレーニングデータは保持されない。 訓練されたセグメンテーションネットワークを「反転」して、ランダムノイズから始まる入力画像の合成を試みる。
  論文  参考訳（メタデータ） (2021-04-02T03:47:16Z)
• Exploring Cross-Image Pixel Contrast for Semantic Segmentation [130.22216825377618]
  完全教師付きセッティングにおけるセマンティックセグメンテーションのための画素単位のコントラストフレームワークを提案する。 中心となる考え方は、同じセマンティッククラスに属するピクセルの埋め込みを、異なるクラスの埋め込みよりもよく似ているように強制することである。 テスト中に余分なオーバーヘッドを伴わずに既存のセグメンテーションフレームワークに懸命に組み込むことができる。
  論文  参考訳（メタデータ） (2021-01-28T11:35:32Z)
• Scaling Semantic Segmentation Beyond 1K Classes on a Single GPU [87.48110331544885]
  既存のセマンティックセグメンテーションモデルのトレーニングとスケールアップのための新しいトレーニング手法を提案する。 我々は、LVISとCOCOアノテーションからブートストラップした1284クラスのデータセットに対するアプローチの明確な利点を示し、DeeplabV3+モデルの3倍のmIoUを実現した。
  論文  参考訳（メタデータ） (2020-12-14T13:12:38Z)

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。