論文の概要: Two-stage Decision Improves Open-Set Panoptic Segmentation

• arxiv url: http://arxiv.org/abs/2207.02504v1
• Date: Wed, 6 Jul 2022 08:12:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-07 23:46:32.065953
• Title: Two-stage Decision Improves Open-Set Panoptic Segmentation
• Title（参考訳）: 2段階決定はオープンセットパノプティクスセグメンテーションを改善する
• Authors: Hai-Ming Xu, Hao Chen, Lingqiao Liu, Yufei Yin
• Abstract要約: オープンセット・パノプティクス・セグメンテーション(OPS)問題は、既知のクラスと未知のクラスの両方のセグメンテーションを実行することを目的とした新しい研究方向である。 我々は、既知のクラス判別器と追加のクラス非依存オブジェクト予測ヘッドを適切に組み合わせることで、OPS性能を大幅に向上できることを示した。
• 参考スコア（独自算出の注目度）: 22.442857407305823
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open-set panoptic segmentation (OPS) problem is a new research direction aiming to perform segmentation for both \known classes and \unknown classes, i.e., the objects ("things") that are never annotated in the training set. The main challenges of OPS are twofold: (1) the infinite possibility of the \unknown object appearances makes it difficult to model them from a limited number of training data. (2) at training time, we are only provided with the "void" category, which essentially mixes the "unknown thing" and "background" classes. We empirically find that directly using "void" category to supervise \known class or "background" without screening will not lead to a satisfied OPS result. In this paper, we propose a divide-and-conquer scheme to develop a two-stage decision process for OPS. We show that by properly combining a \known class discriminator with an additional class-agnostic object prediction head, the OPS performance can be significantly improved. Specifically, we first propose to create a classifier with only \known categories and let the "void" class proposals achieve low prediction probability from those categories. Then we distinguish the "unknown things" from the background by using the additional object prediction head. To further boost performance, we introduce "unknown things" pseudo-labels generated from up-to-date models and a heuristic rule to enrich the training set. Our extensive experimental evaluation shows that our approach significantly improves \unknown class panoptic quality, with more than 30\% relative improvements than the existing best-performed method.
• Abstract（参考訳）: Open-set Panoptic segmentation (OPS) 問題は、既知のクラスと未知のクラスの両方のセグメンテーションを実行することを目的とした新しい研究方向である。 OPSの主な課題は2つある: 1) 未知のオブジェクトの出現の無限の可能性によって、限られた数のトレーニングデータからそれらをモデル化することが困難になる。 (2) トレーニング時には、基本的に"未知のもの"と"背景"のクラスを混ぜた"ボイド"カテゴリのみを提供しています。 既知のクラスやバックグラウンドの監視に"void"カテゴリを直接使用しても,スクリーニングなしでは満足のいくOPS結果にはならない,という実証的な結果が得られます。 本稿では,OPSの2段階決定プロセスを開発するための分割・分散方式を提案する。 既知のクラス判別器とクラス非依存のオブジェクト予測ヘッドを適切に組み合わせることで、運用性能を大幅に改善できることを示す。 具体的には、まず、既知のカテゴリのみを持つ分類器を作成し、これらのカテゴリから「ボイド」クラスの提案を低予測確率とする。 次に、追加のオブジェクト予測ヘッドを用いて、背景から「未知のもの」を区別する。 性能をさらに高めるために,最新のモデルから生成された擬似ラベル「未知のもの」と,トレーニングセットを豊かにするヒューリスティックルールを導入する。 広範な実験結果から,本手法は既知のパンオプティカル品質を著しく向上し,既存の最良法に比べて30-%以上の相対的改善が得られた。

関連論文リスト

• Happy: A Debiased Learning Framework for Continual Generalized Category Discovery [54.54153155039062]
  本稿では,C-GCD(Continuous Generalized Category Discovery)の未探索課題について考察する。 C-GCDは、学習済みのクラスを認識する能力を維持しながら、ラベルのないデータから新しいクラスを漸進的に発見することを目的としている。 本稿では,ハードネスを意識したプロトタイプサンプリングとソフトエントロピー正規化を特徴とする,偏りのある学習フレームワークであるHappyを紹介する。
  論文  参考訳（メタデータ） (2024-10-09T04:18:51Z)
• SegPrompt: Boosting Open-world Segmentation via Category-level Prompt Learning [49.17344010035996]
  オープンワールドインスタンスセグメンテーション(OWIS)モデルは、クラスに依存しない方法で未知のオブジェクトを検出する。 以前のOWISは、未知のオブジェクトに一般化するモデルの能力を維持するために、トレーニング中のカテゴリ情報を完全に消去するアプローチだった。 そこで本研究では,モデルのクラスに依存しないセグメンテーション能力を改善するためにカテゴリ情報を利用するSegPromptと呼ばれる新しいトレーニング機構を提案する。
  論文  参考訳（メタデータ） (2023-08-12T11:25:39Z)
• Evidential Deep Learning for Class-Incremental Semantic Segmentation [15.563703446465823]
  クラス増分学習(Class-Incremental Learning)は、以前トレーニングされたニューラルネットワークを新しいクラスに拡張することを目的とした機械学習の課題である。 本稿では、将来的な非相関クラスの特徴クラスタリングを回避しつつ、ラベルのないクラスをモデル化する方法の問題に対処する。 提案手法は,この問題をディリクレ分布の期待値と推定の不確実性に対応する未知のクラス(背景)確率で計算した,別のフォアグラウンドクラス確率に分解する。
  論文  参考訳（メタデータ） (2022-12-06T10:13:30Z)
• Segmenting Known Objects and Unseen Unknowns without Prior Knowledge [86.46204148650328]
  全体論的セグメンテーションは、目に見えない未知のカテゴリのオブジェクトを、それに関する事前の知識なしにインスタンスに識別し、分離することを目的としている。 U3HSでは、未知の領域を極めて不確実な領域として見つけ、対応するインスタンス認識の埋め込みを個々のオブジェクトにクラスタ化する。 MS、Cityscapes、Lost&Foundの公開データに関する実験は、U3HSの有効性を実証している。
  論文  参考訳（メタデータ） (2022-09-12T16:59:36Z)
• Novel Class Discovery without Forgetting [72.52222295216062]
  我々は NCDwF: Novel Class Discovery without Forgetting の新たな実用的問題設定を特定し,定式化する。 ラベルのないデータから新しいカテゴリのインスタンスを段階的に発見する機械学習モデルを提案する。 CIFAR-10, CIFAR-100, ImageNet-1000に基づく実験プロトコルを導入し, 知識保持と新しいクラス発見のトレードオフを測定する。
  論文  参考訳（メタデータ） (2022-07-21T17:54:36Z)
• Few-shot Open-set Recognition Using Background as Unknowns [58.04165813493666]
  未使用のオープンセット認識は、見知らぬクラスの限られた訓練データしか持たない、目に見える画像と新しい画像の両方を分類することを目的としている。 提案手法は,複数のベースラインより優れるだけでなく,3つのベンチマークで新たな結果が得られた。
  論文  参考訳（メタデータ） (2022-07-19T04:19:29Z)
• Learning What Not to Segment: A New Perspective on Few-Shot Segmentation [63.910211095033596]
  近年では、FSS ( few-shot segmentation) が広く開発されている。 本稿では,問題を緩和するための新鮮で直接的な知見を提案する。 提案されたアプローチのユニークな性質を踏まえて、より現実的で挑戦的な設定にまで拡張する。
  論文  参考訳（メタデータ） (2022-03-15T03:08:27Z)
• Modeling the Background for Incremental Learning in Semantic Segmentation [39.025848280224785]
  深いアーキテクチャは破滅的な忘れ方に弱い。 本稿では,意味的セグメンテーションの文脈においてこの問題に対処する。 本稿では,このシフトを明示的に考慮した蒸留法に基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-03T13:30:38Z)

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。