論文の概要: Regional Semantic Contrast and Aggregation for Weakly Supervised Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2203.09653v1
• Date: Thu, 17 Mar 2022 23:29:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-22 06:40:47.413040
• Title: Regional Semantic Contrast and Aggregation for Weakly Supervised Semantic Segmentation
• Title（参考訳）: 弱教師付きセマンティクスセグメンテーションのための局所的セマンティクスコントラストとアグリゲーション
• Authors: Tianfei Zhou, Meijie Zhang, Fang Zhao, Jianwu Li
• Abstract要約: 本稿では,意味的セグメンテーションを学習するための地域意味的コントラストとアグリゲーション(RCA)を提案する。 RCAは、訓練データに現れる多種多様なオブジェクトパターンを格納する地域記憶バンクを備えている。 RCAは、きめ細かいセマンティック理解の強い能力を獲得し、最終的には2つの人気のあるベンチマークで新しい最先端の結果を確立する。
• 参考スコア（独自算出の注目度）: 25.231470587575238
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning semantic segmentation from weakly-labeled (e.g., image tags only) data is challenging since it is hard to infer dense object regions from sparse semantic tags. Despite being broadly studied, most current efforts directly learn from limited semantic annotations carried by individual image or image pairs, and struggle to obtain integral localization maps. Our work alleviates this from a novel perspective, by exploring rich semantic contexts synergistically among abundant weakly-labeled training data for network learning and inference. In particular, we propose regional semantic contrast and aggregation (RCA) . RCA is equipped with a regional memory bank to store massive, diverse object patterns appearing in training data, which acts as strong support for exploration of dataset-level semantic structure. Particularly, we propose i) semantic contrast to drive network learning by contrasting massive categorical object regions, leading to a more holistic object pattern understanding, and ii) semantic aggregation to gather diverse relational contexts in the memory to enrich semantic representations. In this manner, RCA earns a strong capability of fine-grained semantic understanding, and eventually establishes new state-of-the-art results on two popular benchmarks, i.e., PASCAL VOC 2012 and COCO 2014.
• Abstract（参考訳）: 弱いラベル付き(画像タグのみ)のデータからセマンティックセグメンテーションを学ぶことは、疎いセマンティックタグから高密度なオブジェクト領域を推測することが難しいため、難しい。 広く研究されているにもかかわらず、現在のほとんどの取り組みは、個々の画像またはイメージペアが持つ限定的な意味アノテーションから直接学習し、統合的なローカライゼーションマップを得るのに苦労している。 我々の研究は、ネットワーク学習と推論のための豊富な弱いラベルのトレーニングデータと相乗的に、豊かな意味的文脈を探索することで、新しい視点からこれを緩和する。 特に,地域意味的コントラストとアグリゲーション(RCA)を提案する。 RCAは、トレーニングデータに現れる巨大で多様なオブジェクトパターンを格納するローカルメモリバンクを備えており、データセットレベルのセマンティック構造を探索するための強力なサポートとして機能する。 特に我々が提案するのは 一 大規模な分類対象領域を対比してネットワーク学習を推進し、より総合的な対象パターン理解につながる意味的コントラスト 二 セマンティックアグリゲーションにより、メモリ内の多様な関係コンテキストを収集し、セマンティック表現を豊かにする。 このようにして、RCAは細粒度のセマンティック理解の強い能力を獲得し、最終的にはPASCAL VOC 2012とCOCO 2014という2つの人気のあるベンチマークで新しい最先端の結果を確立する。

関連論文リスト

• Spatial Semantic Recurrent Mining for Referring Image Segmentation [63.34997546393106]
  高品質なクロスモーダリティ融合を実現するために,Stextsuperscript2RMを提案する。 これは、言語特徴の分散、空間的意味的再帰的分離、パーセマンティック・セマンティック・バランシングという三部作の作業戦略に従う。 提案手法は他の最先端アルゴリズムに対して好適に機能する。
  論文  参考訳（メタデータ） (2024-05-15T00:17:48Z)
• Leveraging Hidden Positives for Unsupervised Semantic Segmentation [5.937673383513695]
  隠れ陽性を抽出することで、コントラスト学習を活用して、豊かな意味関係を学習する。 隣接パッチ間のセマンティック一貫性を学習するための勾配伝搬戦略を導入する。 提案手法は,COCO-stuff,Cityscapes,Potsdam-3データセットにおけるSOTA(State-of-the-art)の新たな結果を実現する。
  論文  参考訳（メタデータ） (2023-03-27T08:57:28Z)
• CTNet: Context-based Tandem Network for Semantic Segmentation [77.4337867789772]
  本研究では,空間コンテキスト情報とチャネルコンテキスト情報とを対話的に探索し,新しいコンテキストベースタンデムネットワーク(CTNet)を提案する。 セマンティックセグメンテーションのための学習表現の性能をさらに向上するため、2つのコンテキストモジュールの結果を適応的に統合する。
  論文  参考訳（メタデータ） (2021-04-20T07:33:11Z)
• Context Decoupling Augmentation for Weakly Supervised Semantic Segmentation [53.49821324597837]
  微調整されたセマンティックセグメンテーションは、近年深く研究されている困難な問題です。 本稿では、オブジェクトが現れる固有のコンテキストを変更する Context Decoupling Augmentation (CDA) メソッドを紹介します。 提案手法の有効性を検証するため, PASCAL VOC 2012データセットにいくつかの代替ネットワークアーキテクチャを用いた広範な実験を行い, CDAが様々なWSSS手法を新たな最先端技術に拡張できることを実証した。
  論文  参考訳（メタデータ） (2021-03-02T15:05:09Z)
• EDS-MEMBED: Multi-sense embeddings based on enhanced distributional semantic structures via a graph walk over word senses [0.0]
  WordNetの豊富なセマンティック構造を活用して、マルチセンス埋め込みの品質を高めます。 M-SEの新たな分布意味類似度測定法を先行して導出する。 WSDとWordの類似度タスクを含む11のベンチマークデータセットの評価結果を報告します。
  論文  参考訳（メタデータ） (2021-02-27T14:36:55Z)
• Context-aware Attentional Pooling (CAP) for Fine-grained Visual Classification [2.963101656293054]
  深層畳み込みニューラルネットワーク(CNN)は、画像認識のための識別対象ポーズと部品情報をマイニングする強力な能力を示しています。 サブピクセル勾配による微妙な変化を効果的にとらえる新しいコンテキスト認識型注意プーリング(CAP)を提案する。 我々は6つの最先端(SotA)バックボーンネットワークと8つのベンチマークデータセットを用いてアプローチを評価した。
  論文  参考訳（メタデータ） (2021-01-17T10:15:02Z)
• Joint Semantic Analysis with Document-Level Cross-Task Coherence Rewards [13.753240692520098]
  本稿では,共用コア参照解決のためのニューラルネットワークアーキテクチャと,英語のセマンティックロールラベリングについて述べる。 我々は、文書と意味的アノテーション間のグローバルコヒーレンスを促進するために強化学習を使用します。 これにより、異なるドメインからの複数のデータセットにおける両方のタスクが改善される。
  論文  参考訳（メタデータ） (2020-10-12T09:36:24Z)
• GINet: Graph Interaction Network for Scene Parsing [58.394591509215005]
  画像領域に対する文脈推論を促進するために,グラフインタラクションユニット(GIユニット)とセマンティックコンテキストロス(SC-loss)を提案する。 提案されたGINetは、Pascal-ContextやCOCO Stuffなど、一般的なベンチマークにおける最先端のアプローチよりも優れている。
  論文  参考訳（メタデータ） (2020-09-14T02:52:45Z)
• Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation [128.03739769844736]
  2つのニューラルコアテンションを分類器に組み込んで、画像間のセマンティックな類似点と相違点をキャプチャする。 オブジェクトパターン学習の強化に加えて、コアテンションは他の関連する画像からのコンテキストを活用して、ローカライズマップの推論を改善することができる。 提案アルゴリズムは,これらすべての設定に対して新たな最先端性を設定し,その有効性と一般化性を示す。
  論文  参考訳（メタデータ） (2020-07-03T21:53:46Z)
• Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
  弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。 このようなペア関係を学習するための反復アルゴリズムを提案する。 本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
  論文  参考訳（メタデータ） (2020-02-19T10:32:03Z)

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。