論文の概要: Salient Object Detection via Bounding-box Supervision

• arxiv url: http://arxiv.org/abs/2205.05245v1
• Date: Wed, 11 May 2022 03:03:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-05-13 07:36:40.127416
• Title: Salient Object Detection via Bounding-box Supervision
• Title（参考訳）: バウンディングボックスによるサルエント物体検出
• Authors: Mengqi He, Jing Zhang, Wenxin Yu
• Abstract要約: ラベル付け作業の軽減を図るため,バウンディングボックスに基づく弱教師付きサリエンシ検出に取り組んでいる。 予測構造を正規化するために,構造認識型自己教師損失を導入する。 6つのベンチマークRGBサリエンシデータセットの実験結果から,本モデルの有効性が示された。
• 参考スコア（独自算出の注目度）: 10.20433609492073
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The success of fully supervised saliency detection models depends on a large number of pixel-wise labeling. In this paper, we work on bounding-box based weakly-supervised saliency detection to relieve the labeling effort. Given the bounding box annotation, we observe that pixels inside the bounding box may contain extensive labeling noise. However, as a large amount of background is excluded, the foreground bounding box region contains a less complex background, making it possible to perform handcrafted features-based saliency detection with only the cropped foreground region. As the conventional handcrafted features are not representative enough, leading to noisy saliency maps, we further introduce structure-aware self-supervised loss to regularize the structure of the prediction. Further, we claim that pixels outside the bounding box should be background, thus partial cross-entropy loss function can be used to accurately localize the accurate background region. Experimental results on six benchmark RGB saliency datasets illustrate the effectiveness of our model.
• Abstract（参考訳）: 完全教師付き塩分検出モデルの成功は、多数のピクセル単位のラベルに依存する。 本稿では,ラベル付け作業の軽減を図るため,バウンディングボックスに基づく弱教師付きサリエンシ検出について検討する。 境界ボックスアノテーションを考慮すれば、境界ボックス内のピクセルには広範なラベリングノイズが含まれている可能性がある。 しかし、大量の背景が除外されているため、前景境界ボックス領域は、より複雑な背景を含まないため、収穫した前景領域のみを用いて手作りの特徴に基づく塩分検出を行うことができる。 従来の手工芸品の特徴が十分に表現されていないため, ノイズの多いサリエンシマップに導かれるため, さらに, 予測構造を正規化するために, 構造に配慮した自己監督的損失を導入する。 また、バウンディングボックス外の画素は背景であるべきであり、正確な背景領域を正確にローカライズするために部分クロスエントロピー損失関数を用いることができる。 6つのベンチマークRGBサリエンシデータセットの実験結果から,本モデルの有効性が示された。

関連論文リスト

• Edge Based Oriented Object Detection [8.075609633483248]
  対象物の検出精度を高めるために,エッジ勾配に基づく一意な損失関数を提案する。 DOTAデータセットのmAP増加率は1.3%である。
  論文  参考訳（メタデータ） (2023-09-15T09:19:38Z)
• Rigidity-Aware Detection for 6D Object Pose Estimation [60.88857851869196]
  最近の6Dオブジェクトのポーズ推定方法は、最初にオブジェクト検出を使用して2Dバウンディングボックスを取得し、実際にポーズを回帰する。 本研究では,6次元ポーズ推定において対象物体が剛性であるという事実を利用した剛性認識検出手法を提案する。 このアプローチの成功の鍵となるのは可視性マップであり、これは境界ボックス内の各ピクセルとボックス境界の間の最小障壁距離を用いて構築することを提案する。
  論文  参考訳（メタデータ） (2023-03-22T09:02:54Z)
• Weakly Supervised Image Segmentation Beyond Tight Bounding Box Annotations [5.000514512377416]
  本研究では,ゆるい拘束箱を監督として使用する場合,セグメンテーション性能を良好に維持できるかどうかを検討する。 提案した極変換に基づくMIL定式化は、タイトかつゆるいバウンディングボックスの両方で機能する。 その結果, 提案手法は, 任意の精度でバウンディングボックスの最先端性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-01-28T02:11:36Z)
• Reference-based Defect Detection Network [57.89399576743665]
  最初の問題はテクスチャシフトであり、これはトレーニングされた欠陥検出モデルが目に見えないテクスチャの影響を受けやすいことを意味する。 第2の問題は部分的な視覚的混乱であり、部分的な欠陥ボックスが完全なボックスと視覚的に類似していることを示している。 本稿では,これら2つの問題に対処する参照型欠陥検出ネットワーク(RDDN)を提案する。
  論文  参考訳（メタデータ） (2021-08-10T05:44:23Z)
• Background-Aware Pooling and Noise-Aware Loss for Weakly-Supervised Semantic Segmentation [27.50216933606052]
  バウンディングボックスアノテーションを用いた弱い教師付きセマンティックセグメンテーションの問題に対処する。 背景領域は画像内の一部で知覚的に一貫性があり、オブジェクト境界ボックス内の前景と背景領域を識別するために利用することができる。 ノイズ認識損失(nal)により,誤りラベルに対するネットワークの感受性が低下する。
  論文  参考訳（メタデータ） (2021-04-02T06:38:41Z)
• FakeMix Augmentation Improves Transparent Object Detection [24.540569928274984]
  境界関係の不均衡問題を克服するために、FakeMixと呼ばれる新しいコンテンツ依存データ拡張法を提案する。 また,マルチスケールおよびクロスモダリティ機能を動的にキャプチャ可能な,asppの拡張版であるadaptiveasppも紹介する。
  論文  参考訳（メタデータ） (2021-03-24T15:51:37Z)
• Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
  本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。 提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。 そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。 ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
  論文  参考訳（メタデータ） (2020-11-25T18:59:54Z)
• BorderDet: Border Feature for Dense Object Detection [88.25548173923171]
  境界の極端点から「境界特徴」を抽出し、点特徴を増強する、Border-Alignと呼ばれる単純で効率的な演算子を提案する。 BorderAlignに基づいてBorderDetと呼ばれる新しい検出アーキテクチャを設計し、より強力な分類とより正確なローカライゼーションのために境界情報を明示的に活用する。
  論文  参考訳（メタデータ） (2020-07-21T19:30:36Z)
• Dive Deeper Into Box for Object Detection [49.923586776690115]
  そこで我々は,より正確な位置決めを行うために,ボックスに深く潜り込むことができるボックス再構成手法(DDBNet)を提案する。 実験結果から,本手法はオブジェクト検出の最先端性能に寄与する可能性が示唆された。
  論文  参考訳（メタデータ） (2020-07-15T07:49:05Z)
• DeepStrip: High Resolution Boundary Refinement [60.00241966809684]
  関心領域をストリップ画像に変換し、ストリップ領域の境界予測を計算することを提案する。 対象境界を検出するために,2つの予測層を持つフレームワークを提案する。 我々は、誤報を減らすために、整合性とC0連続性正規化をネットワークに強制する。
  論文  参考訳（メタデータ） (2020-03-25T22:44:48Z)

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。