論文の概要: ReplaceBlock: An improved regularization method based on background information

• arxiv url: http://arxiv.org/abs/2203.16029v1
• Date: Wed, 30 Mar 2022 03:24:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-31 15:08:07.344296
• Title: ReplaceBlock: An improved regularization method based on background information
• Title（参考訳）: リプレースブロック:背景情報に基づく改良正規化手法
• Authors: Zhemin Zhang, Xun Gong, Jinyi Wu
• Abstract要約: 本研究では,対象オブジェクトが部分的に背景と見なされるオブジェクトによって隠蔽されている場合の状況をシミュレートするReplaceBlockを提案する。 具体的には、ReplaceBlockはイメージ内のターゲットオブジェクトを消去し、モデルによって無関係なオブジェクトとバックグラウンドのみを持つフィーチャーマップを生成する。 これにより、ReplaceBlockは、隠された画像の特徴マップを効果的にシミュレートできる。
• 参考スコア（独自算出の注目度）: 1.3406858660972554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Attention mechanism, being frequently used to train networks for better feature representations, can effectively disentangle the target object from irrelevant objects in the background. Given an arbitrary image, we find that the background's irrelevant objects are most likely to occlude/block the target object. We propose, based on this finding, a ReplaceBlock to simulate the situations when the target object is partially occluded by the objects that are deemed as background. Specifically, ReplaceBlock erases the target object in the image, and then generates a feature map with only irrelevant objects and background by the model. Finally, some regions in the background feature map are used to replace some regions of the target object in the original image feature map. In this way, ReplaceBlock can effectively simulate the feature map of the occluded image. The experimental results show that ReplaceBlock works better than DropBlock in regularizing convolutional networks.
• Abstract（参考訳）: より優れた特徴表現のためにネットワークをトレーニングするために頻繁に使用される注意機構は、ターゲットオブジェクトを背景にある無関係なオブジェクトから効果的に切り離すことができる。 任意の画像が与えられた場合、背景の無関係なオブジェクトがターゲットオブジェクトを遮蔽/ブロックする可能性が最も高い。 この発見に基づき、ターゲットオブジェクトが背景と見なされるオブジェクトによって部分的にオクルードされた場合の状況をシミュレートするための置換ブロックを提案する。 具体的には、replaceblockはイメージ内の対象オブジェクトを消去し、モデルによって無関係なオブジェクトと背景のみを持つフィーチャーマップを生成する。 最後に、背景特徴マップのいくつかの領域は、元の画像特徴マップのターゲットオブジェクトのいくつかの領域を置き換えるために使用される。 これにより、ReplaceBlockは、隠された画像の特徴マップを効果的にシミュレートできる。 実験の結果,ReplaceBlockは畳み込みネットワークの正規化においてDropBlockよりも優れていることがわかった。

関連論文リスト

• Task-Decoupled Image Inpainting Framework for Class-specific Object Remover [26.81218265405809]
  本稿では,2つの異なるインペイントモデルを生成するタスク分離型画像インペイントフレームワークを提案する。 対象クラスのオブジェクトを削除することに焦点を当てたクラス固有のオブジェクト除去器を得る。 実験により,提案したクラス固有のオブジェクト除去器は,画像インパインティングネットワークに基づくオブジェクト除去器よりも,目的のクラスオブジェクトを除去できることがわかった。
  論文  参考訳（メタデータ） (2024-10-03T18:32:33Z)
• DiffUHaul: A Training-Free Method for Object Dragging in Images [78.93531472479202]
  DiffUHaulと呼ばれるオブジェクトドラッグタスクのためのトレーニング不要な手法を提案する。 まず、各認知段階に注意マスキングを適用して、各生成を異なるオブジェクトにまたがってよりゆがみやすくする。 初期のデノナイジングステップでは、ソース画像とターゲット画像の注意特徴を補間して、新しいレイアウトを元の外観とスムーズに融合させる。
  論文  参考訳（メタデータ） (2024-06-03T17:59:53Z)
• Rethinking the Localization in Weakly Supervised Object Localization [51.29084037301646]
  弱教師付きオブジェクトローカライゼーション(WSOL)は、コンピュータビジョンにおいて最も人気があり、困難なタスクの1つである。 最近、WSOLを2つの部分(クラスに依存しないオブジェクトのローカライゼーションとオブジェクトの分類)に分割することが、このタスクの最先端のパイプラインになっている。 本研究では,SCRを複数物体の局所化のためのバイナリクラス検出器(BCD)に置き換えることを提案する。
  論文  参考訳（メタデータ） (2023-08-11T14:38:51Z)
• LocPoseNet: Robust Location Prior for Unseen Object Pose Estimation [69.70498875887611]
  LocPoseNetは、見えないオブジェクトに先立って、ロバストにロケーションを学習することができる。 提案手法は,LINEMOD と GenMOP において,既存の作業よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-29T15:21:34Z)
• Re-Attention Transformer for Weakly Supervised Object Localization [45.417606565085116]
  本稿では,トークン精錬トランス (TRT) と呼ばれる再アテンション機構を提案する。 具体的には、TPSM(トークン優先スコアリングモジュール)と呼ばれる新しいモジュールを導入し、ターゲットオブジェクトにフォーカスしながらバックグラウンドノイズの影響を抑える。
  論文  参考訳（メタデータ） (2022-08-03T04:34:28Z)
• Self-Supervised Video Object Segmentation via Cutout Prediction and Tagging [117.73967303377381]
  本稿では, 自己教師型ビデオオブジェクト(VOS)アプローチを提案する。 本手法は,対象情報と背景情報の両方を考慮した識別学習損失の定式化に基づく。 提案手法であるCT-VOSは, DAVIS-2017 と Youtube-VOS の2つの挑戦的なベンチマークにおいて,最先端の結果を達成している。
  論文  参考訳（メタデータ） (2022-04-22T17:53:27Z)
• Contrastive learning of Class-agnostic Activation Map for Weakly Supervised Object Localization and Semantic Segmentation [32.76127086403596]
  ラベルなし画像データを用いたクラス非依存型活性化マップ(C$2$AM)生成のためのコントラスト学習を提案する。 我々は上記の関係に基づいて正対と負の対を形成し、ネットワークを前景と背景を乱すように強制する。 ネットワークは画像前景を識別するために誘導されるため,本手法で学習したクラス非依存のアクティベーションマップは,より完全なオブジェクト領域を生成する。
  論文  参考訳（メタデータ） (2022-03-25T08:46:24Z)
• Location-Free Camouflage Generation Network [82.74353843283407]
  カモフラージュ(Camouflage)は一般的な視覚現象で、前景の物体を背景のイメージに隠すことで、人間の目からは一時的に見えなくなる。 本稿では,前景と背景像の高次特徴を融合させ,一つの推論によって結果を生成する,ロケーションフリーなカモフラージュ生成ネットワーク(LCG-Net)を提案する。 実験により,本手法は単一外観領域における最先端技術と同程度に良好であり,完全に見えない可能性が低いが,多外観領域における最先端技術の品質をはるかに上回っていることが示された。
  論文  参考訳（メタデータ） (2022-03-18T10:33:40Z)
• A Simple and Effective Use of Object-Centric Images for Long-Tailed Object Detection [56.82077636126353]
  シーン中心画像における物体検出を改善するために,物体中心画像を活用する。 私たちは、シンプルで驚くほど効果的なフレームワークを提示します。 我々の手法は、レアオブジェクトのオブジェクト検出(およびインスタンスセグメンテーション)の精度を相対的に50%(および33%)向上させることができる。
  論文  参考訳（メタデータ） (2021-02-17T17:27:21Z)
• Hierarchical Complementary Learning for Weakly Supervised Object Localization [12.104019927107517]
  弱教師付きオブジェクトローカライゼーション(WSOL)は、画像レベルのラベルだけでオブジェクトをローカライズすることを目的とした課題である。 本稿では,CNNが画像上のオブジェクトのより優れた分類とローカライズを行うのに役立つ階層型補完学習ネットワーク(HCLNet)を提案する。
  論文  参考訳（メタデータ） (2020-11-16T14:58:51Z)
• In-sample Contrastive Learning and Consistent Attention for Weakly Supervised Object Localization [18.971497314227275]
  弱教師付きオブジェクトローカライゼーション(WSOL)は、画像レベルの監視のみを使用して対象オブジェクトをローカライズすることを目的としている。 最近の手法は、最も識別性の高い部分を落として、オブジェクト全体の特徴マップを活性化することをモデルに推奨している。 我々は背景を,高度な対象領域をカバーするために機能活性化を導く重要な手がかりとみなす。
  論文  参考訳（メタデータ） (2020-09-25T07:24:46Z)

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。