論文の概要: Self-Support Few-Shot Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2207.11549v1
• Date: Sat, 23 Jul 2022 16:28:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-26 14:28:39.093561
• Title: Self-Support Few-Shot Semantic Segmentation
• Title（参考訳）: 自己支援型少数ショット意味セグメンテーション
• Authors: Qi Fan, Wenjie Pei, Yu-Wing Tai, Chi-Keung Tang
• Abstract要約: 本稿では,クエリ機能にマッチするクエリのプロトタイプを利用する,新しいセルフサポートマッチング戦略を提案する。 また,適応型自己サポート型バックグラウンドプロトタイプ生成モジュールと自己サポート型プロトタイプ生成モジュールを提案し,自己サポート型マッチング手順をより容易にする。 我々の自己サポートネットワークは、プロトタイプの品質を大幅に向上させ、より強力なバックボーンとサポートの改善を享受し、複数のデータセット上でSOTAを達成する。
• 参考スコア（独自算出の注目度）: 72.43667576285445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing few-shot segmentation methods have achieved great progress based on the support-query matching framework. But they still heavily suffer from the limited coverage of intra-class variations from the few-shot supports provided. Motivated by the simple Gestalt principle that pixels belonging to the same object are more similar than those to different objects of same class, we propose a novel self-support matching strategy to alleviate this problem, which uses query prototypes to match query features, where the query prototypes are collected from high-confidence query predictions. This strategy can effectively capture the consistent underlying characteristics of the query objects, and thus fittingly match query features. We also propose an adaptive self-support background prototype generation module and self-support loss to further facilitate the self-support matching procedure. Our self-support network substantially improves the prototype quality, benefits more improvement from stronger backbones and more supports, and achieves SOTA on multiple datasets. Codes are at \url{https://github.com/fanq15/SSP}.
• Abstract（参考訳）: 既存の少数ショットセグメンテーションメソッドは、サポートクエリマッチングフレームワークに基づいて大きな進歩を遂げた。 しかしそれでも彼らは、提供された数少ないサポートからクラス内のバリエーションの限られた範囲に苦しめられている。 同一オブジェクトに属する画素が同一クラスの異なるオブジェクトとよりよく似ているという単純なゲシュタルト原理により、この問題を軽減するための新しい自己対応マッチング戦略を提案し、クエリのプロトタイプを用いてクエリの特徴をマッチングし、クエリのプロトタイプを高信頼度クエリの予測から収集する。 この戦略はクエリオブジェクトの一貫した基盤特性を効果的にキャプチャし、クエリの特徴に適合させることができる。 また,適応型自己支持型バックグラウンドプロトタイプ生成モジュールと自己支持損失を提案し,自己支持マッチング手順をさらに促進する。 当社のセルフサポートネットワークは、プロトタイプの品質を大幅に向上させ、バックボーンの強化とサポート強化によるさらなる改善を享受し、複数のデータセットでsoeを実現しています。 コードは \url{https://github.com/fanq15/SSP} にある。

関連論文リスト

• Symmetrical Joint Learning Support-query Prototypes for Few-shot Segmentation [33.33249452130038]
  クラス内変動の重要な問題に対処するFew-Shot(FSS)のための新しいフレームワークであるSym-Netを提案する。 我々は、クエリとプロトタイプの両方を対称的に学習し、学習プロセスが他方よりも1つのセット(サポートまたはクエリ)を好まないようにします。 実験の結果,提案したSym-Netは最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-07-27T17:37:56Z)
• A Refreshed Similarity-based Upsampler for Direct High-Ratio Feature Upsampling [54.05517338122698]
  本稿では,セマンティック・アウェアとディテール・アウェアの両方の観点から,明示的に制御可能なクエリキー機能アライメントを提案する。 また,モーザイクアーティファクトを緩和するのには単純だが有効であるHR特徴量に対して,きめ細かな近傍選択戦略を開発した。 提案するReSFUフレームワークは,異なるセグメンテーションアプリケーション上での良好な性能を一貫して達成する。
  論文  参考訳（メタデータ） (2024-07-02T14:12:21Z)
• Prototype as Query for Few Shot Semantic Segmentation [7.380266341356485]
  Few-shot Semantic (FSS) はクエリイメージに未表示のクラスを分割するために提案された。 本稿では,ProtoFormerと呼ばれるTransformerを基盤として,クエリ機能の空間的詳細をフルにキャプチャするフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-27T08:41:50Z)
• CAD: Co-Adapting Discriminative Features for Improved Few-Shot Classification [11.894289991529496]
  少数のラベル付きサンプルを与えられた未確認のクラスに適応できるモデルを学ぶことを目的としている。 最近のアプローチでは、特徴抽出器を事前訓練し、その後、エピソードなメタラーニングのための微調整を行う。 本研究は, 複数ショットの分類において, 横断的および再重み付き識別機能を実現するための戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T06:14:51Z)
• Contrastive Enhancement Using Latent Prototype for Few-Shot Segmentation [8.986743262828009]
  短いショットのセグメンテーションにより、アノテーション付きの例がほとんどない未確認のクラスを認識できる。 本稿では,潜伏クラスを活用するために潜伏型プロトタイプを用いた対照的な拡張手法を提案する。 提案手法は,1ショットと5ショットのセグメンテーションにおける最先端手法の性能を著しく向上させる。
  論文  参考訳（メタデータ） (2022-03-08T14:02:32Z)
• APANet: Adaptive Prototypes Alignment Network for Few-Shot Semantic Segmentation [56.387647750094466]
  Few-shotのセマンティックセマンティックセマンティクスは、指定されたクエリイメージに、ラベル付きサポートイメージのみで、新規クラスのオブジェクトをセグメントすることを目的としている。 ほとんどの高度なソリューションは、各クエリ機能を学習したクラス固有のプロトタイプにマッチさせることでセグメンテーションを実行するメトリクス学習フレームワークを利用している。 本稿では,クラス固有およびクラス非依存のプロトタイプを導入することで,適応型プロトタイプ表現を提案する。
  論文  参考訳（メタデータ） (2021-11-24T04:38:37Z)
• Contextualizing Meta-Learning via Learning to Decompose [125.76658595408607]
  本稿では,メタ学習型サポート・ツー・ターゲット戦略の文脈化を図るために,ネットワーク(LeadNet)を分解する学習を提案する。 LeadNetは、コンテキスト間の比較をポリセムの埋め込みに組み込むことで、右に関連付けられた戦略を自動的に選択することを学ぶ。
  論文  参考訳（メタデータ） (2021-06-15T13:10:56Z)
• Few-Shot Segmentation via Cycle-Consistent Transformer [74.49307213431952]
  本稿では,サポートとターゲット画像間の画素ワイドな関係を利用して,数ショットのセマンティックセマンティックセグメンテーション作業を容易にすることに焦点を当てる。 本稿では, 有害なサポート機能を除去するために, 新規なサイクル一貫性アテンション機構を提案する。 提案したCyCTRは,従来の最先端手法と比較して著しく改善されている。
  論文  参考訳（メタデータ） (2021-06-04T07:57:48Z)
• Prior Guided Feature Enrichment Network for Few-Shot Segmentation [64.91560451900125]
  最先端のセマンティックセグメンテーション手法は、良い結果を得るために十分なラベル付きデータを必要とする。 少数のラベル付きサポートサンプルを持つ新しいクラスに迅速に適応するモデルを学習することで,この問題に対処するためのショットセグメンテーションが提案されている。 これらのフレームワークは、高レベルのセマンティック情報の不適切な使用により、目に見えないクラスにおける一般化能力の低下という課題に直面している。
  論文  参考訳（メタデータ） (2020-08-04T10:41:32Z)

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。