論文の概要: SharpContour: A Contour-based Boundary Refinement Approach for Efficient and Accurate Instance Segmentation

• arxiv url: http://arxiv.org/abs/2203.13312v1
• Date: Thu, 24 Mar 2022 19:37:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-28 13:35:12.803895
• Title: SharpContour: A Contour-based Boundary Refinement Approach for Efficient and Accurate Instance Segmentation
• Title（参考訳）: SharpContour: 効率よく正確なインスタンスセグメンテーションのためのContourベースの境界リファインメントアプローチ
• Authors: Chenming Zhu, Xuanye Zhang, Yanran Li, Liangdong Qiu, Kai Han, Xiaoguang Han
• Abstract要約: 我々は,境界領域の分割に対処するために,SharpContourという名前の効率的な輪郭ベース境界修正手法を提案する。 本手法は、オフセットを個別に更新することで、輪郭を反復的に変形させる。 実験により、SharpContourは高い効率を保ちながら競争上の利益を達成することが示された。
• 参考スコア（独自算出の注目度）: 29.051499127975703
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Excellent performance has been achieved on instance segmentation but the quality on the boundary area remains unsatisfactory, which leads to a rising attention on boundary refinement. For practical use, an ideal post-processing refinement scheme are required to be accurate, generic and efficient. However, most of existing approaches propose pixel-wise refinement, which either introduce a massive computation cost or design specifically for different backbone models. Contour-based models are efficient and generic to be incorporated with any existing segmentation methods, but they often generate over-smoothed contour and tend to fail on corner areas. In this paper, we propose an efficient contour-based boundary refinement approach, named SharpContour, to tackle the segmentation of boundary area. We design a novel contour evolution process together with an Instance-aware Point Classifier. Our method deforms the contour iteratively by updating offsets in a discrete manner. Differing from existing contour evolution methods, SharpContour estimates each offset more independently so that it predicts much sharper and accurate contours. Notably, our method is generic to seamlessly work with diverse existing models with a small computational cost. Experiments show that SharpContour achieves competitive gains whilst preserving high efficiency
• Abstract（参考訳）: インスタンスセグメンテーションにおいて優れた性能が達成されているが, 境界領域の品質は相容れないままであり, 境界改善への注目が高まっている。 実用のためには、理想のポストプロセッシング・リファインメント・スキームが正確で汎用的で効率的であることが求められている。 しかし、既存のアプローチの多くはピクセル単位での精細化を提案し、膨大な計算コストを導入するか、異なるバックボーンモデル用に特別に設計する。 輪郭ベースのモデルは、既存のセグメンテーション手法に組み込むのに効率的で汎用的であるが、しばしば過度に滑らかな輪郭を生成し、コーナー領域で失敗する傾向がある。 本稿では, SharpContour と呼ばれる高効率な輪郭型境界改善手法を提案し, 境界領域の分割に挑戦する。 我々は,新しい輪郭進化過程をインスタンス認識点分類器と共に設計する。 本手法は,オフセットを離散的に更新することで輪郭を反復的に変形する。 既存の輪郭進化法と異なり、シャープコンターはそれぞれのオフセットをより独立に推定し、よりシャープで正確な輪郭を予測する。 特に,本手法は,計算コストの少ない多様な既存モデルに対してシームレスに動作する。 SharpContourが高効率を維持しながら競争利益を達成する実験結果

関連論文リスト

• A Deep Active Contour Model for Delineating Glacier Calving Fronts [17.061463565692456]
  近年の研究では、エッジ検出とセグメンテーションを組み合わせることで、前部検出器の加工精度が向上することが示されている。 中間段階として高密度な予測を組み込まない明示的輪郭検出モデルを提案する。 提案手法はCOBRA(Charting Outlines by Recurrent Adaptation')と呼ばれ、特徴抽出のための畳み込みニューラルネットワーク(CNN)と、デラインのためのアクティブな輪郭モデルを組み合わせたものである。
  論文  参考訳（メタデータ） (2023-07-07T08:45:46Z)
• Precision-Recall Divergence Optimization for Generative Modeling with GANs and Normalizing Flows [54.050498411883495]
  本研究では,ジェネレーティブ・アドバイサル・ネットワークや正規化フローなどの生成モデルのための新しいトレーニング手法を開発した。 指定された精度-リコールトレードオフを達成することは、textitPR-divergencesと呼ぶ家族からのユニークな$f$-divergenceを最小化することを意味する。 当社のアプローチは,ImageNetなどのデータセットでテストした場合の精度とリコールの両面で,BigGANのような既存の最先端モデルの性能を向上させる。
  論文  参考訳（メタデータ） (2023-05-30T10:07:17Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• PNM: Pixel Null Model for General Image Segmentation [17.971090313814447]
  ランダムセグメンタによって正しく分類される確率に応じて各ピクセルを重み付けする先行モデルを提案する。 3つのデータセットに対するセグメンテーションのセグメンテーション・タスクの実験により、PNMはセグメンテーションの品質を一貫して改善することを確認した。 本稿では,境界のシャープさを認識できる新しい測度であるtextitPNM IoUを提案する。
  論文  参考訳（メタデータ） (2022-03-13T15:17:41Z)
• SCR: Smooth Contour Regression with Geometric Priors [10.141085397402314]
  SCRは、分解能のないオブジェクトの輪郭を複雑な周期関数としてキャプチャする手法である。 我々は、人気のあるCOCO 2017インスタンスセグメンテーションデータセットでSCRをベンチマークし、既存のアルゴリズムに対する競争力を示す。 ネットワークのコンパクトバージョンも設計し、幅広いパワーターゲットを持つ組み込みハードウェアをベンチマークします。
  論文  参考訳（メタデータ） (2022-02-08T11:07:51Z)
• ContourRender: Detecting Arbitrary Contour Shape For Instance Segmentation In One Pass [48.57232627854642]
  一方のパスにおける輪郭点の回帰の難しさは、滑らかな輪郭をポリゴンに識別する際のあいまいさが主な原因である。 あいまいさに対処するために,textbfContourRender という新しい差別化可能なレンダリング方式を提案する。 まず、可逆形状シグネチャによって生成された輪郭を予測し、それから、より安定したシルエットで輪郭を最適化し、それを輪郭メッシュに変換してメッシュを2Dマップにレンダリングする。
  論文  参考訳（メタデータ） (2021-06-07T07:23:03Z)
• BoundarySqueeze: Image Segmentation as Boundary Squeezing [104.43159799559464]
  本研究では,オブジェクトとシーンの微細な高画質画像分割のための新しい手法を提案する。 形態素画像処理技術による拡張と浸食に着想を得て,画素レベルのセグメンテーション問題をスクイーズ対象境界として扱う。 提案手法は,COCO,Cityscapesのインスタンス・セグメンテーション・セグメンテーション・セグメンテーションにおいて大きく向上し,同一条件下での精度・速度ともに従来のPointRendよりも優れていた。
  論文  参考訳（メタデータ） (2021-05-25T04:58:51Z)
• Look Closer to Segment Better: Boundary Patch Refinement for Instance Segmentation [51.59290734837372]
  境界品質を改善するために,概念的にシンプルで効果的な後処理改善フレームワークを提案する。 提案されたBPRフレームワークは、CityscapesベンチマークのMask R-CNNベースラインを大幅に改善する。 BPRフレームワークをPolyTransform + SegFixベースラインに適用することで、Cityscapesのリーダーボードで1位に到達しました。
  論文  参考訳（メタデータ） (2021-04-12T07:10:48Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)

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。