論文の概要: Sparse Instance Activation for Real-Time Instance Segmentation

• arxiv url: http://arxiv.org/abs/2203.12827v1
• Date: Thu, 24 Mar 2022 03:15:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-25 13:48:49.045364
• Title: Sparse Instance Activation for Real-Time Instance Segmentation
• Title（参考訳）: リアルタイムインスタンスセグメンテーションのためのスパースインスタンスアクティベーション
• Authors: Tianheng Cheng, Xinggang Wang, Shaoyu Chen, Wenqiang Zhang, Qian Zhang, Chang Huang, Zhaoxiang Zhang, Wenyu Liu
• Abstract要約: 本稿では,リアルタイムインスタンスセグメンテーションのための概念的・効率的・完全畳み込み型フレームワークを提案する。 SparseInstは非常に高速な推論速度を持ち、COCOベンチマークで40 FPSと37.9 APを達成した。
• 参考スコア（独自算出の注目度）: 72.23597664935684
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we propose a conceptually novel, efficient, and fully convolutional framework for real-time instance segmentation. Previously, most instance segmentation methods heavily rely on object detection and perform mask prediction based on bounding boxes or dense centers. In contrast, we propose a sparse set of instance activation maps, as a new object representation, to highlight informative regions for each foreground object. Then instance-level features are obtained by aggregating features according to the highlighted regions for recognition and segmentation. Moreover, based on bipartite matching, the instance activation maps can predict objects in a one-to-one style, thus avoiding non-maximum suppression (NMS) in post-processing. Owing to the simple yet effective designs with instance activation maps, SparseInst has extremely fast inference speed and achieves 40 FPS and 37.9 AP on the COCO benchmark, which significantly outperforms the counterparts in terms of speed and accuracy. Code and models are available at https://github.com/hustvl/SparseInst.
• Abstract（参考訳）: 本稿では,リアルタイムインスタンスセグメンテーションのための概念的・効率的・完全畳み込み型フレームワークを提案する。 以前は、ほとんどのインスタンスセグメンテーション手法はオブジェクト検出に大きく依存しており、境界ボックスや密集した中心に基づいてマスク予測を行う。 対照的に、各前景オブジェクトに対する情報領域を強調するために、新しいオブジェクト表現として、インスタンスアクティベーションマップのスパースセットを提案する。 次に、強調された領域に応じて特徴を集約して認識およびセグメンテーションを行い、インスタンスレベルの特徴を得る。 さらに、双方向マッチングに基づいて、インスタンスアクティベーションマップは1対1のスタイルでオブジェクトを予測できるため、後処理における非最大抑圧(NMS)を回避することができる。 インスタンスアクティベーションマップの単純かつ効果的な設計のため、sparseinstは非常に高速な推論速度を持ち、cocoベンチマークで40fpsと37.9apを達成した。 コードとモデルはhttps://github.com/hustvl/sparseinstで入手できる。

関連論文リスト

• Efficient Temporal Action Segmentation via Boundary-aware Query Voting [51.92693641176378]
  BaFormerは境界対応のTransformerネットワークで、各ビデオセグメントをインスタンストークンとしてトークン化する。 BaFormerは実行時間の6%しか利用せず、計算コストを大幅に削減する。
  論文  参考訳（メタデータ） (2024-05-25T00:44:13Z)
• Perceive, Excavate and Purify: A Novel Object Mining Framework for Instance Segmentation [4.375012768093524]
  本稿では,新しいオブジェクトマイニングフレームワークを提案する。 まず、サブネットを知覚するセマンティクスを導入し、ボトムアップから明らかなインスタンスに属するピクセルをキャプチャする。 このメカニズムでは、事前認識されたセマンティクスは分類と位置を持つ元のインスタンスと見なされ、これらの元のインスタンスを取り巻く識別不能なオブジェクトはマイニングされる。
  論文  参考訳（メタデータ） (2023-04-18T08:47:03Z)
• SIM: Semantic-aware Instance Mask Generation for Box-Supervised Instance Segmentation [22.930296667684125]
  本稿では,セマンティック・アウェア・インスタンス・マスク(SIM)生成パラダイムを開発することによって,新しいボックス管理型インスタンス・セグメンテーション手法を提案する。 セマンティック・アウェア・プロトタイプは,同じセマンティクスの異なるインスタンスを区別できないことを考慮し,自己補正機構を提案する。 実験結果から,提案手法が他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-14T05:59:25Z)
• SOLO: A Simple Framework for Instance Segmentation [84.00519148562606]
  インスタンスカテゴリ"は、インスタンスの場所に応じて、インスタンス内の各ピクセルにカテゴリを割り当てる。 SOLO"は、強力なパフォーマンスを備えたインスタンスセグメンテーションのための、シンプルで、直接的で、高速なフレームワークです。 提案手法は, 高速化と精度の両面から, 実例分割の最先端結果を実現する。
  論文  参考訳（メタデータ） (2021-06-30T09:56:54Z)
• Instance and Panoptic Segmentation Using Conditional Convolutions [96.7275593916409]
  本稿では,CondInst と呼ばれる,シンプルで効果的な光学的セグメンテーションフレームワークを提案する。 我々は、CondInstがインスタンス分割タスクと単眼セグメンテーションタスクの両方において精度と推論速度を向上できることを示す。
  論文  参考訳（メタデータ） (2021-02-05T06:57:02Z)
• Spatial Semantic Embedding Network: Fast 3D Instance Segmentation with Deep Metric Learning [5.699350798684963]
  ディープラーニングを用いた3次元インスタンスセグメンテーションのための,単純かつ効率的なアルゴリズムを提案する。 大規模シーンからの高レベルのインテリジェントなタスクに対して、3Dインスタンスセグメンテーションはオブジェクトの個々のインスタンスを認識する。 我々は,ScanNet 3D インスタンス分割ベンチマークにおいて,我々のアルゴリズムの最先端性能をAPスコアで示す。
  論文  参考訳（メタデータ） (2020-07-07T02:17:44Z)
• Deep Affinity Net: Instance Segmentation via Affinity [48.498706304017674]
  Deep Affinity Netは、グラフ分割アルゴリズムCascade-GAECを伴って、効果的なアフィニティベースのアプローチである。 すべてのアフィニティベースのモデルの中で、最高のシングルショット結果と最速のランニングタイムを達成する。 また、リージョンベースのMask R-CNNよりも優れています。
  論文  参考訳（メタデータ） (2020-03-15T15:22:56Z)
• PointINS: Point-based Instance Segmentation [117.38579097923052]
  POI(Point-of-Interest)機能によるインスタンスセグメンテーションにおけるマスク表現は、各インスタンスの高次元マスク機能を学ぶには、計算負荷が重いため、難しい。 本稿では、このマスク表現学習タスクを2つの抽出可能なモジュールに分解するインスタンス認識畳み込みを提案する。 インスタンス認識の畳み込みとともに、単純で実用的なインスタンスセグメンテーションアプローチであるPointINSを提案する。
  論文  参考訳（メタデータ） (2020-03-13T08:24:58Z)

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。