論文の概要: Box-supervised Instance Segmentation with Level Set Evolution

• arxiv url: http://arxiv.org/abs/2207.09055v1
• Date: Tue, 19 Jul 2022 03:59:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-20 13:48:54.982243
• Title: Box-supervised Instance Segmentation with Level Set Evolution
• Title（参考訳）: レベルセット進化を伴うbox-supervised instance segmentation
• Authors: Wentong Li, Wenyu Liu, Jianke Zhu, Miaomiao Cui, Xiansheng Hua, Lei Zhang
• Abstract要約: 本稿では,古典的レベルセットモデルと深層ニューラルネットワークを微妙に統合したボックス教師付きインスタンスセグメンテーション手法を提案する。 単純なマスク管理SOLOv2モデルを用いて、各インスタンスのレベルセットとして、インスタンス認識マスクマップを予測する。 4つの挑戦的ベンチマークの実験結果から,提案手法の先行性能が示された。
• 参考スコア（独自算出の注目度）: 41.19797478617953
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In contrast to the fully supervised methods using pixel-wise mask labels, box-supervised instance segmentation takes advantage of the simple box annotations, which has recently attracted a lot of research attentions. In this paper, we propose a novel single-shot box-supervised instance segmentation approach, which integrates the classical level set model with deep neural network delicately. Specifically, our proposed method iteratively learns a series of level sets through a continuous Chan-Vese energy-based function in an end-to-end fashion. A simple mask supervised SOLOv2 model is adapted to predict the instance-aware mask map as the level set for each instance. Both the input image and its deep features are employed as the input data to evolve the level set curves, where a box projection function is employed to obtain the initial boundary. By minimizing the fully differentiable energy function, the level set for each instance is iteratively optimized within its corresponding bounding box annotation. The experimental results on four challenging benchmarks demonstrate the leading performance of our proposed approach to robust instance segmentation in various scenarios. The code is available at: https://github.com/LiWentomng/boxlevelset.
• Abstract（参考訳）: ピクセルワイズマスクラベルを用いた完全教師付き手法とは対照的に、ボックス教師付きインスタンスセグメンテーションは、最近多くの研究が注目されている単純なボックスアノテーションを活用する。 本稿では,従来のレベルセットモデルと深層ニューラルネットワークを微妙に統合した,シングルショットボックス制御型インスタンスセグメンテーション手法を提案する。 特に,提案手法では,連続したチャン・ヴェーゼエネルギーに基づく関数をエンドツーエンドで連続的に学習する。 単純なマスク管理SOLOv2モデルを用いて、各インスタンスのレベルセットとして、インスタンス認識マスクマップを予測する。 入力画像とその深い特徴を入力データとして使用してレベルセット曲線を進化させ、ボックス投影関数を用いて初期境界を求める。 完全微分可能エネルギー関数を最小化することにより、各インスタンスのレベルセットは対応する境界ボックスアノテーション内で反復的に最適化される。 4つの難解なベンチマークの実験結果から,提案手法の様々なシナリオにおけるロバストなインスタンスセグメンテーション性能を示す。 コードはhttps://github.com/liwentomng/boxlevelsetで入手できる。

関連論文リスト

• Extreme Point Supervised Instance Segmentation [28.191795758445352]
  本稿では,各オブジェクトの極端点,左極端点,最下極点,右極端点を用いて,インスタンスセグメンテーションを学習するための新しいアプローチを提案する。 これらの点は、正確なセグメンテーションのための強力な手がかりを提供しながら、現代のバウンディングボックスアノテーションプロセスで容易に利用可能である。 本モデルでは,対象物を複数の部品に分けた場合に高品質なマスクを生成する。
  論文  参考訳（メタデータ） (2024-05-31T09:37:39Z)
• Box2Mask: Box-supervised Instance Segmentation via Level-set Evolution [38.88010537144528]
  本稿では,Box2Maskという新しい単一ショットインスタンスセグメンテーション手法を提案する。 Box2Maskは、古典的なレベルセット進化モデルとディープニューラルネットワーク学習を統合して、バウンディングボックスの監督のみで正確なマスク予測を実現する。
  論文  参考訳（メタデータ） (2022-12-03T09:32:14Z)
• Sparse Instance Activation for Real-Time Instance Segmentation [72.23597664935684]
  本稿では,リアルタイムインスタンスセグメンテーションのための概念的・効率的・完全畳み込み型フレームワークを提案する。 SparseInstは非常に高速な推論速度を持ち、COCOベンチマークで40 FPSと37.9 APを達成した。
  論文  参考訳（メタデータ） (2022-03-24T03:15:39Z)
• Deep Level Set for Box-supervised Instance Segmentation in Aerial Images [27.659592291045414]
  本稿では,空域オブジェクトの一連のレベルセット関数を学習するためにネットワークを駆動する,新しい空域インスタンスセグメンテーション手法を提案する。 実験の結果,提案手法は最先端のボックス管理インスタンスセグメンテーション法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-12-07T02:27:58Z)
• Point Cloud Instance Segmentation with Semi-supervised Bounding-Box Mining [17.69745159912481]
  ラベル付きおよび未ラベルのバウンディングボックスを監視として使用した,最初の半教師付きポイントクラウドインスタンスセグメンテーションフレームワーク(SPIB)を紹介した。 提案手法は,近年の完全教師付き手法と比較して,競争性能が向上する。
  論文  参考訳（メタデータ） (2021-11-30T08:40:40Z)
• SOLO: A Simple Framework for Instance Segmentation [84.00519148562606]
  インスタンスカテゴリ"は、インスタンスの場所に応じて、インスタンス内の各ピクセルにカテゴリを割り当てる。 SOLO"は、強力なパフォーマンスを備えたインスタンスセグメンテーションのための、シンプルで、直接的で、高速なフレームワークです。 提案手法は, 高速化と精度の両面から, 実例分割の最先端結果を実現する。
  論文  参考訳（メタデータ） (2021-06-30T09:56:54Z)
• Pointly-Supervised Instance Segmentation [81.34136519194602]
  インスタンスセグメンテーションの弱い監視の新しい形態であるポイントベースのインスタンスレベルのアノテーションを提案する。 標準のバウンディングボックスアノテーションと、各バウンディングボックス内で一様にサンプリングされるラベル付きポイントを組み合わせる。 実験では,COCO,PASCAL VOC,Cityscapes,LVISでトレーニングしたMask R-CNNモデルに対して,各オブジェクトあたりの注釈付きポイントが94%～98%の完全教師付きパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2021-04-13T17:59:40Z)
• Mask-guided sample selection for Semi-Supervised Instance Segmentation [13.091166009687058]
  半教師付きインスタンスセグメンテーションのためのアノテートするサンプルを決定するためのサンプル選択手法を提案する。 本手法は, サンプルのラベル付きプールに対する擬似マスクの初回予測と, マスクの質を予測するスコアから構成される。 品質スコアからアノテートしたほうがよいサンプルについて検討し, ランダム選択よりも優れた手法を示す。
  論文  参考訳（メタデータ） (2020-08-25T14:44:58Z)
• UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation [52.487469544343305]
  オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。 本稿では,直感的かつ統一的な半教師付きモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-12T22:45:47Z)
• 1st Place Solutions for OpenImage2019 -- Object Detection and Instance Segmentation [116.25081559037872]
  この記事では,2つのチャンピオンチーム,検出トラックのMMfruit'とセグメンテーショントラックのMMfruitSeg'のソリューションについて,OpenImage Challenge 2019で紹介する。 一般に、対象検出器の場合、バックボーンの端の共有特徴は分類と回帰の両方に適さないことが知られている。 自己学習型最適特徴抽出によりオブジェクトの分類と回帰を分離するデカップリングヘッド(DH)を提案する。
  論文  参考訳（メタデータ） (2020-03-17T06:45:07Z)

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。