論文の概要: Pin the Memory: Learning to Generalize Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2204.03609v1
• Date: Thu, 7 Apr 2022 17:34:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-08 14:57:54.236731
• Title: Pin the Memory: Learning to Generalize Semantic Segmentation
• Title（参考訳）: pin the memory: 意味セグメンテーションを一般化する学習
• Authors: Jin Kim, Jiyoung Lee, Jungin Park, Dongbo Min, Kwanghoon Sohn
• Abstract要約: 本稿ではメタラーニングフレームワークに基づくセマンティックセグメンテーションのための新しいメモリ誘導ドメイン一般化手法を提案する。 本手法は,セマンティッククラスの概念的知識を,ドメインを超えて一定であるカテゴリ記憶に抽象化する。
• 参考スコア（独自算出の注目度）: 68.367763672095
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rise of deep neural networks has led to several breakthroughs for semantic segmentation. In spite of this, a model trained on source domain often fails to work properly in new challenging domains, that is directly concerned with the generalization capability of the model. In this paper, we present a novel memory-guided domain generalization method for semantic segmentation based on meta-learning framework. Especially, our method abstracts the conceptual knowledge of semantic classes into categorical memory which is constant beyond the domains. Upon the meta-learning concept, we repeatedly train memory-guided networks and simulate virtual test to 1) learn how to memorize a domain-agnostic and distinct information of classes and 2) offer an externally settled memory as a class-guidance to reduce the ambiguity of representation in the test data of arbitrary unseen domain. To this end, we also propose memory divergence and feature cohesion losses, which encourage to learn memory reading and update processes for category-aware domain generalization. Extensive experiments for semantic segmentation demonstrate the superior generalization capability of our method over state-of-the-art works on various benchmarks.
• Abstract（参考訳）: ディープニューラルネットワークの台頭は、セマンティックセグメンテーションにいくつかのブレークスルーをもたらした。 それにもかかわらず、ソースドメインで訓練されたモデルは、しばしばモデルの一般化能力に直接関係する新しい挑戦的なドメインで適切に機能しない。 本稿ではメタラーニングフレームワークに基づくセマンティックセグメンテーションのための新しいメモリ誘導ドメイン一般化手法を提案する。 特に,本手法はセマンティッククラスの概念的知識を,ドメインを超えて一定のカテゴリ記憶に抽象化する。 メタラーニングの概念に基づき、メモリ誘導ネットワークを繰り返し訓練し、仮想テストをシミュレートする。 1)ドメインに依存しない独特なクラスの情報を記憶する方法を学ぶ。 2)任意のunseenドメインのテストデータにおける表現のあいまいさを減らすために、クラスガイドとして外部に固定されたメモリを提供する。 この目的のために,カテゴリ対応ドメイン一般化のためのメモリ読み込みと更新プロセスの学習を促進するメモリ分散と特徴結合損失を提案する。 セマンティクスのセグメンテーションに関する広範な実験は、様々なベンチマークにおいて最先端の手法よりも優れた一般化能力を示している。

関連論文リスト

• Memory-Efficient Prompt Tuning for Incremental Histopathology Classification [69.46798702300042]
  本稿では,経済的なメモリコストのモデル一般化ポテンシャルを育成するための,メモリ効率の良いプロンプトチューニングフレームワークを提案する。 乳癌転移分類と上皮間質組織分類の2つの病理組織学的タスクにより,我々の枠組みを広く評価した。
  論文  参考訳（メタデータ） (2024-01-22T03:24:45Z)
• Memory-Guided Semantic Learning Network for Temporal Sentence Grounding [55.31041933103645]
  本稿では,TSGタスクにおいて稀に出現しないコンテンツを学習し,記憶するメモリ拡張ネットワークを提案する。 MGSL-Netは、クロスモーダル・インターアクション・モジュール、メモリ拡張モジュール、異種アテンション・モジュールの3つの主要な部分で構成されている。
  論文  参考訳（メタデータ） (2022-01-03T02:32:06Z)
• Meta-Learned Feature Critics for Domain Generalized Semantic Segmentation [38.81908956978064]
  本稿では,意味的セグメンテーションとドメインの一般化を保証するドメイン不変の特徴を導出する,特徴不絡み付きメタラーニング手法を提案する。 ベンチマークデータセットの結果から,提案モデルの有効性とロバスト性を確認した。
  論文  参考訳（メタデータ） (2021-12-27T06:43:39Z)
• Hierarchical Variational Memory for Few-shot Learning Across Domains [120.87679627651153]
  本稿では,プロトタイプの各レベルが階層メモリから対応する情報を取得する階層型プロトタイプモデルを提案する。 このモデルには、ドメインシフトの状況が要求される場合、異なるセマンティックレベルの機能を柔軟に依存する能力が備わっている。 モデルにおける各コンポーネントの有効性を示すために、徹底的なアブレーション研究を行っている。
  論文  参考訳（メタデータ） (2021-12-15T15:01:29Z)
• A Style and Semantic Memory Mechanism for Domain Generalization [108.98041306507372]
  ドメイン内スタイルの不変性は、ドメインの一般化の効率を改善する上で重要な要素である。 本稿では,ドメイン間の意味的特徴の共通性を学習する上で特に有効な,新しい「判断」機構を提案する。 提案手法は最先端の手法をクリアマージンで超越している。
  論文  参考訳（メタデータ） (2021-12-14T16:23:24Z)
• Semi-supervised Meta-learning with Disentanglement for Domain-generalised Medical Image Segmentation [15.351113774542839]
  新たなセンター(ここではドメイン)からの新しいデータにモデルを一般化することは、依然として課題である。 本稿では,絡み合いを伴う半教師付きメタラーニングフレームワークを提案する。 提案手法は,異なるセグメンテーションタスクに対して頑健であり,2つの公開ベンチマーク上での最先端の一般化性能を実現する。
  論文  参考訳（メタデータ） (2021-06-24T19:50:07Z)
• Towards Recognizing New Semantic Concepts in New Visual Domains [9.701036831490768]
  我々は、これまで見えない視覚領域で機能し、新しいセマンティックな概念を認識できるディープアーキテクチャを設計することが重要であると論じている。 論文の第1部では、深層モデルが新しいビジュアルドメインに一般化できるように、異なるソリューションについて記述する。 第2部では、事前訓練された深層モデルの知識を、元のトレーニングセットにアクセスすることなく、新しい意味概念に拡張する方法を示す。
  論文  参考訳（メタデータ） (2020-12-16T16:23:40Z)
• Learning to Learn Variational Semantic Memory [132.39737669936125]
  我々はメタラーニングに変分セマンティックメモリを導入し、数ショットラーニングのための長期的知識を得る。 セマンティックメモリはスクラッチから成長し、経験したタスクから情報を吸収することで徐々に統合される。 アドレスコンテンツから潜在記憶変数の変動推論としてメモリリコールを定式化する。
  論文  参考訳（メタデータ） (2020-10-20T15:05:26Z)

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。