論文の概要: Unsupervised Salient Object Detection with Spectral Cluster Voting
- arxiv url: http://arxiv.org/abs/2203.12614v1
- Date: Wed, 23 Mar 2022 17:59:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-24 15:17:49.104503
- Title: Unsupervised Salient Object Detection with Spectral Cluster Voting
- Title(参考訳): スペクトルクラスタ投票による教師なしサリエント物体検出
- Authors: Gyungin Shin and Samuel Albanie and Weidi Xie
- Abstract要約: 自己教師機能にスペクトルクラスタリングを活用することにより,SOD(unsupervised salient object detection)の課題に対処する。
我々は、SODの3つのベンチマークにおいて、以前のアプローチよりも優れているセルフマスクと呼ばれる、有能なオブジェクト検出器を訓練する。
- 参考スコア(独自算出の注目度): 44.388120096898554
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we tackle the challenging task of unsupervised salient object
detection (SOD) by leveraging spectral clustering on self-supervised features.
We make the following contributions: (i) We revisit spectral clustering and
demonstrate its potential to group the pixels of salient objects; (ii) Given
mask proposals from multiple applications of spectral clustering on image
features computed from various self-supervised models, e.g., MoCov2, SwAV,
DINO, we propose a simple but effective winner-takes-all voting mechanism for
selecting the salient masks, leveraging object priors based on framing and
distinctiveness; (iii) Using the selected object segmentation as pseudo
groundtruth masks, we train a salient object detector, dubbed SelfMask, which
outperforms prior approaches on three unsupervised SOD benchmarks. Code is
publicly available at https://github.com/NoelShin/selfmask.
- Abstract(参考訳): 本稿では,自己教師付き特徴のスペクトルクラスタリングを活用することで,教師なしsod(unsupervised salient object detection)の課題に取り組む。
私たちは次のような貢献をします
(i)スペクトルクラスタリングを再検討し、その有望な物体の画素をグループ化する可能性を示す。
二 スペクトルクラスタリングの複数の応用によるマスクの提案を、例えば、MoCov2、SwaV、DINOなどの自己監督型モデルから算出した画像の特徴にあてはめ、フレーミングと特徴に基づく対象の事前の活用により、サリアントマスクを選択するための単純かつ効果的な投票機構を提案する。
(iii) 選択された対象セグメンテーションを疑似接地マスクとして使用し, 3つの教師なしsodベンチマークで先行手法に勝る, selfmask と呼ばれるサルエント物体検出器を訓練した。
コードはhttps://github.com/noelshin/selfmaskで公開されている。
関連論文リスト
- TOP-ReID: Multi-spectral Object Re-Identification with Token Permutation [64.65950381870742]
マルチスペクトルオブジェクトReID, Dubbled TOP-ReIDのための循環トークン置換フレームワークを提案する。
また,巡回多スペクトル特徴アグリゲーションのためのToken Permutation Module (TPM)を提案する。
提案するフレームワークは,ロバストなオブジェクトReIDに対して,より識別性の高いマルチスペクトル特徴を生成できる。
論文 参考訳(メタデータ) (2023-12-15T08:54:15Z) - Leveraging Foundation models for Unsupervised Audio-Visual Segmentation [49.94366155560371]
AVS (Audio-Visual) は、可聴物体をピクセルレベルの視覚シーンで正確に概説することを目的としている。
既存のAVS手法では、教師付き学習方式でオーディオマスク対の細かいアノテーションを必要とする。
タスク固有のデータアノテーションやモデルトレーニングを必要とせず、教師なしの音声-視覚的セグメンテーションを導入する。
論文 参考訳(メタデータ) (2023-09-13T05:05:47Z) - Monte Carlo Linear Clustering with Single-Point Supervision is Enough
for Infrared Small Target Detection [48.707233614642796]
SIRST(Single-frame infrared small target)検出は、赤外線画像上の乱雑な背景から小さなターゲットを分離することを目的としている。
ディープラーニングに基づく手法は、SIRST検出において有望な性能を達成したが、大量のトレーニングデータを犠牲にしている。
単一点監視を用いたSIRST検出のための最初の手法を提案する。
論文 参考訳(メタデータ) (2023-04-10T08:04:05Z) - CamoFormer: Masked Separable Attention for Camouflaged Object Detection [94.2870722866853]
カモフラージュされた物体検出のための単純なマスク付き分離型注意(MSA)を提案する。
まず,マルチヘッド・セルフアテンションを3つの部分に分割し,異なるマスキング戦略を用いて,背景からカモフラージュした物体を識別する役割を担っている。
提案手法では,MSAを用いた単純なトップダウンデコーダを用いて,高精度なセグメンテーション結果を得るために,高分解能なセグメンテーション表現を段階的にキャプチャする。
論文 参考訳(メタデータ) (2022-12-10T10:03:27Z) - BoxMask: Revisiting Bounding Box Supervision for Video Object Detection [11.255962936937744]
そこで,BoxMaskを提案する。このBoxMaskは,クラス対応の画素レベルの情報を取り入れることで,識別表現を学習する。
提案されたモジュールは、検出を促進するため、任意の領域ベースの検出器に懸命に統合することができる。
論文 参考訳(メタデータ) (2022-10-12T08:25:27Z) - Towards Robust Video Object Segmentation with Adaptive Object
Calibration [18.094698623128146]
ビデオオブジェクトセグメンテーション(VOS)は、参照フレームの注釈付きオブジェクトマスクを与えられたビデオのすべてのターゲットフレームにおけるオブジェクトのセグメンテーションを目的としている。
本稿では,オブジェクト表現を適応的に構築し,オブジェクトマスクを校正して強靭性を実現する,新しいディープネットワークを提案する。
本モデルは,既存の出版作品の最先端性能を達成し,摂動に対する優れた堅牢性を示す。
論文 参考訳(メタデータ) (2022-07-02T17:51:29Z) - Discovering Object Masks with Transformers for Unsupervised Semantic
Segmentation [75.00151934315967]
MaskDistillは教師なしセマンティックセグメンテーションのための新しいフレームワークである。
我々のフレームワークは、低レベルの画像キューにラッチを付けず、オブジェクト中心のデータセットに限らない。
論文 参考訳(メタデータ) (2022-06-13T17:59:43Z) - IA-MOT: Instance-Aware Multi-Object Tracking with Motion Consistency [40.354708148590696]
IA-MOT(Instance-Aware MOT)は、静止カメラまたは移動カメラで複数の物体を追跡できる。
提案手法は,CVPR 2020ワークショップにおけるBMTTチャレンジのトラック3で優勝した。
論文 参考訳(メタデータ) (2020-06-24T03:53:36Z)
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。