論文の概要: Saliency Guided Inter- and Intra-Class Relation Constraints for Weakly
Supervised Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2206.09554v1
- Date: Mon, 20 Jun 2022 03:40:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 17:02:32.510346
- Title: Saliency Guided Inter- and Intra-Class Relation Constraints for Weakly
Supervised Semantic Segmentation
- Title（参考訳）: 弱教師付きセマンティックセグメンテーションのためのSalliency Guided Inter-およびIntra-class Relation Constraint
- Authors: Tao Chen, Yazhou Yao, Lei Zhang, Qiong Wang, Guo-Sen Xie, Fumin Shen
- Abstract要約: 本稿では,活性化対象領域の拡大を支援するために,Salliency Guided Inter-およびIntra-Class Relation Constrained (I$2$CRC) フレームワークを提案する。
また,オブジェクトガイド付きラベルリファインメントモジュールを導入し,セグメンテーション予測と初期ラベルをフル活用し,優れた擬似ラベルを得る。
- 参考スコア（独自算出の注目度）: 66.87777732230884
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Weakly supervised semantic segmentation with only image-level labels aims to
reduce annotation costs for the segmentation task. Existing approaches
generally leverage class activation maps (CAMs) to locate the object regions
for pseudo label generation. However, CAMs can only discover the most
discriminative parts of objects, thus leading to inferior pixel-level pseudo
labels. To address this issue, we propose a saliency guided Inter- and
Intra-Class Relation Constrained (I$^2$CRC) framework to assist the expansion
of the activated object regions in CAMs. Specifically, we propose a saliency
guided class-agnostic distance module to pull the intra-category features
closer by aligning features to their class prototypes. Further, we propose a
class-specific distance module to push the inter-class features apart and
encourage the object region to have a higher activation than the background.
Besides strengthening the capability of the classification network to activate
more integral object regions in CAMs, we also introduce an object guided label
refinement module to take a full use of both the segmentation prediction and
the initial labels for obtaining superior pseudo-labels. Extensive experiments
on PASCAL VOC 2012 and COCO datasets demonstrate well the effectiveness of
I$^2$CRC over other state-of-the-art counterparts. The source codes, models,
and data have been made available at
\url{https://github.com/NUST-Machine-Intelligence-Laboratory/I2CRC}.
- Abstract（参考訳）: 画像レベルのラベルのみによる弱教師付きセマンティックセグメンテーションは、セグメンテーションタスクのアノテーションコストを削減することを目的としている。
既存のアプローチでは、クラスアクティベーションマップ(CAM)を利用して、擬似ラベル生成のためのオブジェクト領域を見つける。
しかし、CAMはオブジェクトの最も識別性の高い部分しか発見できないため、ピクセルレベルの低い擬似ラベルにつながる。
この問題に対処するため,CAMにおける活性化対象領域の拡張を支援するために,Salliency Guided Inter-およびIntra-Class Relation Constrained (I$^2$CRC) フレームワークを提案する。
具体的には,その特徴をクラスプロトタイプに合わせることで,カテゴリ内特徴をより近づけるサリエンシー誘導型クラス非依存距離モジュールを提案する。
さらに,クラス間の特徴を分離し,オブジェクト領域が背景よりも高いアクティベーションを持つように促すクラス固有の距離モジュールを提案する。
また,cams内のより統合的なオブジェクト領域を活性化する分類ネットワークの能力を強化すると同時に,セグメンテーション予測と,優れた擬似ラベルを得るための初期ラベルの両方をフルに活用するオブジェクトガイドラベルリファインメントモジュールも導入する。
PASCAL VOC 2012とCOCOデータセットの大規模な実験は、他の最先端のデータセットに対するI$^2$CRCの有効性を十分に証明している。
ソースコード、モデル、データは \url{https://github.com/NUST-Machine-Intelligence-Laboratory/I2CRC} で公開されている。
関連論文リスト
- Auxiliary Tasks Enhanced Dual-affinity Learning for Weakly Supervised
Semantic Segmentation [79.05949524349005]
AuxSegNet+は、サリエンシマップから豊富な情報を探索する弱教師付き補助学習フレームワークである。
また,サリエンシとセグメンテーションの特徴マップから画素レベルの親和性を学習するためのクロスタスク親和性学習機構を提案する。
論文 参考訳（メタデータ） (2024-03-02T10:03:21Z) - Spatial Structure Constraints for Weakly Supervised Semantic
Segmentation [100.0316479167605]
クラスアクティベーションマップ(CAM)は、オブジェクトの最も識別性の高い部分のみを見つけることができる。
注意伸縮の余剰なオブジェクトの過剰な活性化を軽減するために,弱い教師付きセマンティックセマンティックセグメンテーションのための空間構造制約(SSC)を提案する。
提案手法は,PASCAL VOC 2012とCOCOデータセットでそれぞれ72.7%,47.0%mIoUを達成した。
論文 参考訳（メタデータ） (2024-01-20T05:25:25Z) - Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。
画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。
オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
論文 参考訳（メタデータ） (2023-07-07T04:03:48Z) - Segment Anything Model (SAM) Enhanced Pseudo Labels for Weakly
Supervised Semantic Segmentation [30.812323329239614]
弱教師付きセマンティックセマンティックセグメンテーション(WSSS)は、画像レベルのアノテーションのみを使用することで、精細なピクセルレベルのアノテーションの必要性を回避することを目的としている。
既存のほとんどのメソッドは、ピクセルレベルの擬似ラベルを導出するためにクラスアクティベーションマップ(CAM)に依存している。
オブジェクト,部品,サブパートのきめ細かいインスタンスマスクを生成できるクラスに依存しない基礎モデルであるSegment Anything Model (SAM) を利用した,シンプルで効果的な手法を提案する。
論文 参考訳（メタデータ） (2023-05-09T23:24:09Z) - ISIM: Iterative Self-Improved Model for Weakly Supervised Segmentation [0.34265828682659694]
Weakly Supervised Semantic Conditional (WSSS)は,クラスレベルのラベルからセグメンテーションラベルを学習するための課題である。
修正エンコーダデコーダに基づくセグメンテーションモデルにおいて,反復的アプローチを用いたフレームワークを提案する。
DeepLabv3とUNetモデルで実施された実験では、Pascal VOC12データセットが大幅に向上している。
論文 参考訳（メタデータ） (2022-11-22T18:14:06Z) - Beyond the Prototype: Divide-and-conquer Proxies for Few-shot
Segmentation [63.910211095033596]
少ないショットのセグメンテーションは、少数の濃密なラベル付けされたサンプルのみを与えられた、目に見えないクラスオブジェクトをセグメンテーションすることを目的としている。
分割・分散の精神において, 単純かつ多目的な枠組みを提案する。
提案手法は、DCP(disvision-and-conquer proxies)と呼ばれるもので、適切な信頼性のある情報の開発を可能にする。
論文 参考訳（メタデータ） (2022-04-21T06:21:14Z) - Anti-Adversarially Manipulated Attributions for Weakly Supervised
Semantic Segmentation and Object Localization [31.69344455448125]
本稿では,最終ソフトマックス層やシグモイド層の前に分類器が生成する分類スコアを増やすために操作した画像の属性マップを提案する。
この操作は対逆的な方法で実現され、元の画像は対逆攻撃で使用されるものと反対方向に画素勾配に沿って摂動される。
さらに,対象物に関係のない領域の不正な帰属と,対象物の小さな領域への過剰な帰属の集中を抑制する新たな正規化手法を導入する。
論文 参考訳（メタデータ） (2022-04-11T06:18:02Z) - Self-supervised Image-specific Prototype Exploration for Weakly
Supervised Semantic Segmentation [72.33139350241044]
画像レベルのラベルをベースとしたWSSS(Weakly Supervised Semantic COCO)は,アノテーションコストの低さから注目されている。
本稿では,画像特異的なプロトタイプ探索 (IPE) と汎用一貫性 (GSC) の喪失からなる画像固有プロトタイプ探索 (SIPE) を提案する。
SIPEは,画像レベルラベルのみを用いて,最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-03-06T09:01:03Z)
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。