論文の概要: Active Pointly-Supervised Instance Segmentation

• arxiv url: http://arxiv.org/abs/2207.11493v1
• Date: Sat, 23 Jul 2022 11:25:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-26 14:30:46.300027
• Title: Active Pointly-Supervised Instance Segmentation
• Title（参考訳）: Active Pointly Supervised Instance Segmentation
• Authors: Chufeng Tang, Lingxi Xie, Gang Zhang, Xiaopeng Zhang, Qi Tian, Xiaolin Hu
• Abstract要約: アクティブポイント制御型インスタンスセグメンテーション(APIS)という,経済的なアクティブな学習環境を提案する。 APISはボックスレベルのアノテーションから始まり、ボックス内のポイントを反復的にサンプリングし、オブジェクトに落ちているかどうかを問う。 これらの戦略で開発されたモデルは、挑戦的なMS-COCOデータセットに対して一貫したパフォーマンス向上をもたらす。
• 参考スコア（独自算出の注目度）: 106.38955769817747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The requirement of expensive annotations is a major burden for training a well-performed instance segmentation model. In this paper, we present an economic active learning setting, named active pointly-supervised instance segmentation (APIS), which starts with box-level annotations and iteratively samples a point within the box and asks if it falls on the object. The key of APIS is to find the most desirable points to maximize the segmentation accuracy with limited annotation budgets. We formulate this setting and propose several uncertainty-based sampling strategies. The model developed with these strategies yields consistent performance gain on the challenging MS-COCO dataset, compared against other learning strategies. The results suggest that APIS, integrating the advantages of active learning and point-based supervision, is an effective learning paradigm for label-efficient instance segmentation.
• Abstract（参考訳）: 高価なアノテーションの要求は、パフォーマンスの良いインスタンスセグメンテーションモデルをトレーニングする上で大きな負担となります。 本稿では,ボックスレベルのアノテーションから始めて,ボックス内のポイントを反復的にサンプリングし,オブジェクトに当てはまるかどうかを問う,active pointly-supervised instance segmentation(apis)という,経済的なアクティブラーニング設定を提案する。 APISの鍵は、限定的なアノテーション予算でセグメンテーションの精度を最大化する最も望ましいポイントを見つけることである。 この設定を定式化し,不確実性に基づくサンプリング戦略を提案する。 これらの戦略で開発されたモデルは、他の学習戦略と比較して、挑戦的なMS-COCOデータセットに対して一貫したパフォーマンス向上をもたらす。 その結果,アクティブラーニングとポイントベース・インスペクションの利点を融合したAPISが,ラベル効率のよいインスタンスセグメンテーションのための効果的な学習パラダイムであることが示唆された。

関連論文リスト

• Weakly-Supervised Cross-Domain Segmentation of Electron Microscopy with Sparse Point Annotation [1.124958340749622]
  カウント,検出,セグメンテーションタスク間の相関を利用したマルチタスク学習フレームワークを提案する。 ラベル拡張のためのクロスポジションカット・アンド・ペーストを開発し,エントロピーに基づく擬似ラベル選択を行う。 提案手法は, UDA法を著しく上回り, 教師付き手法と同等の性能を発揮する。
  論文  参考訳（メタデータ） (2024-03-31T12:22:23Z)
• Annotation-Efficient Polyp Segmentation via Active Learning [45.59503015577479]
  アノテーション効率の良いポリプセグメンテーションのための深層能動的学習フレームワークを提案する。 実際に,ポリプの予測マップと背景領域の類似性を調べることで,各試料の不確実性を測定する。 提案手法は,パブリックデータセットと大規模社内データセットの双方において,競合相手と比較して,最先端性能を実現していることを示す。
  論文  参考訳（メタデータ） (2024-03-21T12:25:17Z)
• SUPClust: Active Learning at the Boundaries [23.573986817769025]
  そこで我々は,クラス間の意思決定境界点の特定を目的としたSUPClustと呼ばれる新しいアクティブラーニング手法を提案する。 これらの点のラベル付けがモデル性能の向上につながることを実験的に実証した。
  論文  参考訳（メタデータ） (2024-03-06T14:30:09Z)
• Querying Easily Flip-flopped Samples for Deep Active Learning [63.62397322172216]
  アクティブラーニング(英: Active Learning)は、ラベルのないデータを戦略的に選択してクエリすることで、モデルの性能を向上させることを目的とした機械学習パラダイムである。 効果的な選択戦略の1つはモデルの予測の不確実性に基づくもので、サンプルがどの程度情報的であるかの尺度として解釈できる。 本稿では,予測されたラベルの不一致の最小確率として,最小不一致距離(LDM)を提案する。
  論文  参考訳（メタデータ） (2024-01-18T08:12:23Z)
• Semantic-aware SAM for Point-Prompted Instance Segmentation [29.286913777078116]
  本稿では,Segment Anything (SAM) を用いた費用対効果の高いカテゴリー別セグメンタを提案する。 この課題に対処するために、複数のインスタンス学習(MIL)と整合性を備えたSAMとポイントプロンプトを備えたセマンティック・アウェア・インスタンスネットワーク(SAPNet)を開発した。 SAPNetはSAMによって生成される最も代表的なマスクの提案を戦略的に選択し、セグメンテーションを監督する。
  論文  参考訳（メタデータ） (2023-12-26T05:56:44Z)
• Proposal-Based Multiple Instance Learning for Weakly-Supervised Temporal Action Localization [98.66318678030491]
  微弱に監督された時間的行動ローカライゼーションは、トレーニング中にビデオレベルのカテゴリラベルのみを持つ未トリミングビデオのアクションをローカライズし、認識することを目的としている。 本稿では,提案手法をベースとしたP-MIL(Multiple Instance Learning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-29T02:48:04Z)
• Temporal Output Discrepancy for Loss Estimation-based Active Learning [65.93767110342502]
  ラベルのないサンプルが高損失を伴っていると信じられている場合に,データアノテーションのオラクルに問い合わせる,新しいディープラーニングアプローチを提案する。 本手法は,画像分類やセマンティックセグメンテーションタスクにおける最先端の能動学習手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-12-20T19:29:37Z)
• Semi-supervised Active Learning for Instance Segmentation via Scoring Predictions [25.408505612498423]
  インスタンスセグメンテーションのための新規かつ原則的な半教師付きアクティブ学習フレームワークを提案する。 具体的には,クラス,バウンディングボックス,マスクの手がかりを明示的に評価するトリプレットスコア予測(tsp)という不確実性サンプリング戦略を提案する。 医用画像データセットを用いた結果から,提案手法が有意義な方法で利用可能なデータから知識を具現化することを示す。
  論文  参考訳（メタデータ） (2020-12-09T02:36:52Z)
• The Devil is in Classification: A Simple Framework for Long-tail Object Detection and Instance Segmentation [93.17367076148348]
  本稿では,最新のロングテールLVISデータセットを用いて,最先端の2段階のインスタンスセグメンテーションモデルMask R-CNNの性能低下について検討する。 主な原因は、オブジェクト提案の不正確な分類である。 そこで本研究では,2段階のクラスバランスサンプリング手法により,分類ヘッドバイアスをより効果的に緩和する,簡単な校正フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-23T12:49:07Z)
• 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)

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。