論文の概要: Weakly Supervised Semantic Segmentation via Progressive Patch Learning

• arxiv url: http://arxiv.org/abs/2209.07828v1
• Date: Fri, 16 Sep 2022 09:54:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-19 12:51:27.029201
• Title: Weakly Supervised Semantic Segmentation via Progressive Patch Learning
• Title（参考訳）: プログレッシブパッチ学習による弱教師付き意味セグメンテーション
• Authors: Jinlong Li, Zequn Jie, Xu Wang, Yu Zhou, Xiaolin Wei, Lin Ma
• Abstract要約: 分類の局所的詳細抽出を改善するために「プログレッシブ・パッチ・ラーニング」アプローチを提案する。 は、機能マップをパッチに分解し、最終的なアグリゲーションの前に各ローカルパッチを独立して処理する。 プログレッシブ・パッチ・ラーニング(Progressive Patch Learning)は、特徴の破壊とパッチ・ラーニングをさらにプログレッシブな方法で多段階の粒度に拡張する。
• 参考スコア（独自算出の注目度）: 39.87150496277798
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most of the existing semantic segmentation approaches with image-level class labels as supervision, highly rely on the initial class activation map (CAM) generated from the standard classification network. In this paper, a novel "Progressive Patch Learning" approach is proposed to improve the local details extraction of the classification, producing the CAM better covering the whole object rather than only the most discriminative regions as in CAMs obtained in conventional classification models. "Patch Learning" destructs the feature maps into patches and independently processes each local patch in parallel before the final aggregation. Such a mechanism enforces the network to find weak information from the scattered discriminative local parts, achieving enhanced local details sensitivity. "Progressive Patch Learning" further extends the feature destruction and patch learning to multi-level granularities in a progressive manner. Cooperating with a multi-stage optimization strategy, such a "Progressive Patch Learning" mechanism implicitly provides the model with the feature extraction ability across different locality-granularities. As an alternative to the implicit multi-granularity progressive fusion approach, we additionally propose an explicit method to simultaneously fuse features from different granularities in a single model, further enhancing the CAM quality on the full object coverage. Our proposed method achieves outstanding performance on the PASCAL VOC 2012 dataset e.g., with 69.6$% mIoU on the test set), which surpasses most existing weakly supervised semantic segmentation methods. Code will be made publicly available here https://github.com/TyroneLi/PPL_WSSS.
• Abstract（参考訳）: イメージレベルのクラスラベルを監督する既存のセマンティックセグメンテーションアプローチのほとんどは、標準分類ネットワークから生成された初期クラスアクティベーションマップ(CAM)に大きく依存している。 本稿では,従来の分類モデルで得られた CAM において,最も識別性の高い領域に留まらず,対象全体をカバーした CAM を創出し,その局所的詳細抽出を改善するために,新しい "Progressive Patch Learning" 手法を提案する。 パッチ学習"は、フィーチャーマップをパッチに分解し、各ローカルパッチをアグリゲーションの前に並行して処理する。 このようなメカニズムは、分散した識別的局所部分から弱い情報を見つけるためにネットワークを強制し、局所的な詳細感度を高める。 プログレッシブパッチ学習(progressive patch learning)"は,機能破壊とパッチ学習を,段階的に多レベルな粒度にまで拡張する。 プログレッシブ・パッチ・ラーニング(Progressive Patch Learning)メカニズムのような多段階最適化戦略と協力することで、異なる局所性-粒度にまたがる特徴抽出能力を持つモデルを暗黙的に提供する。 暗黙の多粒度プログレッシブ・フュージョンアプローチの代替として,単一モデルにおける異なる粒度から特徴を同時に融合する明示的な手法を提案する。 提案手法は, PASCAL VOC 2012データセットにおいて, 69.6$% mIoUの精度で優れた性能を実現している。 コードはhttps://github.com/tyroneli/ppl_wsssで公開されている。

関連論文リスト

• Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
  斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。 既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
  論文  参考訳（メタデータ） (2024-11-06T11:03:02Z)
• Beyond Pixels: Semi-Supervised Semantic Segmentation with a Multi-scale Patch-based Multi-Label Classifier [37.02049053586457]
  マルチスケールパッチベースマルチラベル(MPMC)を導入する。 MPMCはパッチレベルの監視を提供し、パッチ内の異なるクラスのピクセル領域の識別を可能にする。 MPMCは、教師のうるさい疑似ラベル監督の影響を軽減するためにパッチレベルの分類を用いて、適応的な擬似ラベル重みを学習する。
  論文  参考訳（メタデータ） (2024-07-04T16:21:29Z)
• Boundary-Refined Prototype Generation: A General End-to-End Paradigm for Semi-Supervised Semantic Segmentation [23.00156170789867]
  半教師付きセマンティックセグメンテーションはコンピュータビジョンにおいて注目を集めている。 現在のアプローチでは、メイントレーニングフレームワークからプロトタイプ生成を分離しています。 本稿では,新しい境界修正プロトタイプ生成法(BRPG)を提案する。
  論文  参考訳（メタデータ） (2023-07-19T16:12:37Z)
• Semantics-Aware Dynamic Localization and Refinement for Referring Image Segmentation [102.25240608024063]
  画像の参照は、言語表現からのイメージセグメントを参照する。 そこで我々は,局所化中心からセグメンテーション言語へ移行するアルゴリズムを開発した。 比較すると,本手法はより汎用的で有効である。
  論文  参考訳（メタデータ） (2023-03-11T08:42:40Z)
• Saliency Guided Inter- and Intra-Class Relation Constraints for Weakly Supervised Semantic Segmentation [66.87777732230884]
  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。
  論文  参考訳（メタデータ） (2022-06-20T03:40:56Z)
• 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)
• Beyond Simple Meta-Learning: Multi-Purpose Models for Multi-Domain, Active and Continual Few-Shot Learning [41.07029317930986]
  低ラベル方式で動作するモデルの分散感応クラスを提案する。 最初の手法であるSimple CNAPSは階層的に正規化されたマハラノビス距離に基づく分類器を用いる。 我々はさらに、このアプローチをトランスダクティブ学習環境に拡張し、トランスダクティブCNAPSを提案する。
  論文  参考訳（メタデータ） (2022-01-13T18:59:02Z)
• Learning Semantically Enhanced Feature for Fine-Grained Image Classification [27.136912902584093]
  提案手法は,グローバルな特徴のサブ機能のセマンティクスを強化することで,きめ細かい特徴を学習する。 提案手法はパラメータ同型であり,エンドツーエンドトレーニング用のプラグイン・アンド・プレイモジュールとして,バックボーンモデルに容易に組み込むことができる。
  論文  参考訳（メタデータ） (2020-06-24T03:41:12Z)
• Fine-Grained Visual Classification via Progressive Multi-Granularity Training of Jigsaw Patches [67.51747235117]
  きめ細かい視覚分類(FGVC)は従来の分類よりもはるかに難しい。 最近の研究は主に、最も差別的な部分の発見に焦点をあてることによってこの問題に対処している。 本稿では,これらの問題に対処するための視覚的細粒度分類のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2020-03-08T19:27:30Z)

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。