論文の概要: Baking in the Feature: Accelerating Volumetric Segmentation by Rendering Feature Maps

• arxiv url: http://arxiv.org/abs/2209.12744v1
• Date: Mon, 26 Sep 2022 14:52:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 17:44:07.934900
• Title: Baking in the Feature: Accelerating Volumetric Segmentation by Rendering Feature Maps
• Title（参考訳）: フィーチャーマップのレンダリングによるボリュームセグメンテーションの高速化
• Authors: Kenneth Blomqvist, Lionel Ott, Jen Jen Chung, Roland Siegwart
• Abstract要約: 既存の大規模データセットで訓練されたモデルから抽出した特徴を用いてセグメント化性能を向上させることを提案する。 この特徴表現をNeRF(Neural Radiance Field)に、特徴マップを体積的にレンダリングし、各入力画像から抽出した特徴を監督することにより、焼成する。 提案手法は,既存手法よりも意味的アノテーションが少なく,多様な場面で高いセグメンテーション精度を達成できることを示す。
• 参考スコア（独自算出の注目度）: 42.34064154798376
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Methods have recently been proposed that densely segment 3D volumes into classes using only color images and expert supervision in the form of sparse semantically annotated pixels. While impressive, these methods still require a relatively large amount of supervision and segmenting an object can take several minutes in practice. Such systems typically only optimize their representation on the particular scene they are fitting, without leveraging any prior information from previously seen images. In this paper, we propose to use features extracted with models trained on large existing datasets to improve segmentation performance. We bake this feature representation into a Neural Radiance Field (NeRF) by volumetrically rendering feature maps and supervising on features extracted from each input image. We show that by baking this representation into the NeRF, we make the subsequent classification task much easier. Our experiments show that our method achieves higher segmentation accuracy with fewer semantic annotations than existing methods over a wide range of scenes.
• Abstract（参考訳）: 近年,色画像のみを用いて3dボリュームをクラスに密に分割する手法が提案されている。 驚くべきことに、これらの手法には比較的大量の監視が必要で、実際にオブジェクトを分割するには数分かかる可能性がある。 このようなシステムは、通常、以前見た画像からの事前情報を利用することなく、適合している特定のシーンでの表現のみを最適化する。 本稿では,既存の大規模データセットで学習したモデルから抽出した特徴を用いてセグメント化性能を向上させることを提案する。 この特徴表現をNeRF(Neural Radiance Field)に、特徴マップを体積的にレンダリングし、各入力画像から抽出した特徴を監督することにより、焼成する。 この表現をNeRFに焼くことで、その後の分類作業がより簡単になることを示す。 提案手法は,既存手法よりも意味的アノテーションが少なく,多様な場面で高いセグメンテーション精度を達成できることを示す。

関連論文リスト

• View-Consistent Hierarchical 3D Segmentation Using Ultrametric Feature Fields [52.08335264414515]
  我々は3次元シーンを表すニューラル・レージアンス・フィールド(NeRF)内の新しい特徴場を学習する。 本手法は、ビュー一貫性の多粒性2Dセグメンテーションを入力とし、3D一貫性のセグメンテーションの階層構造を出力として生成する。 提案手法と,多視点画像と多粒性セグメンテーションを用いた合成データセットのベースラインの評価を行い,精度と視点整合性を向上したことを示す。
  論文  参考訳（メタデータ） (2024-05-30T04:14:58Z)
• Few-shot Multispectral Segmentation with Representations Generated by Reinforcement Learning [0.0]
  本稿では,強化学習を用いたマルチスペクトル画像における少数ショットセグメンテーション性能向上のための新しい手法を提案する。 我々の手法は、エージェントを訓練して、小さなデータセットを使って最も情報に富む表現を識別することを含む。 表現の長さが限られているため、モデルはオーバーフィッティングのリスクを伴わずに有用な表現を受け取る。
  論文  参考訳（メタデータ） (2023-11-20T15:04:16Z)
• Learning Semantic Segmentation with Query Points Supervision on Aerial Images [57.09251327650334]
  セマンティックセグメンテーションアルゴリズムを学習するための弱教師付き学習アルゴリズムを提案する。 提案手法は正確なセマンティックセグメンテーションを行い,手作業のアノテーションに要するコストと時間を大幅に削減することで効率を向上する。
  論文  参考訳（メタデータ） (2023-09-11T14:32:04Z)
• SLiMe: Segment Like Me [24.254744102347413]
  1つの注釈付きサンプルを用いて任意の粒度で画像を分割するSLiMeを提案する。 各種設計因子について知識豊富な実験を行い,SLiMeが既存の一発・小発のセグメンテーション法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2023-09-06T17:39:05Z)
• Disambiguation of One-Shot Visual Classification Tasks: A Simplex-Based Approach [8.436437583394998]
  本稿では,複数の物体の存在を検出するための戦略を提案する。 この戦略は、高次元空間における単純体の角を識別することに基づいている。 提案手法は,極端設定における精度をわずかながら統計的に向上させる能力を示す。
  論文  参考訳（メタデータ） (2023-01-16T11:37:05Z)
• Self-attention on Multi-Shifted Windows for Scene Segmentation [14.47974086177051]
  マルチスケール画像ウィンドウにおける自己注意の有効利用について検討し,視覚的特徴を学習する。 本稿では,これらの特徴マップを集約して,高密度予測のための特徴表現をデコードする3つの戦略を提案する。 我々のモデルは、4つの公開シーンセグメンテーションデータセットで非常に有望な性能を達成する。
  論文  参考訳（メタデータ） (2022-07-10T07:36:36Z)
• Rethinking Interactive Image Segmentation: Feature Space Annotation [68.8204255655161]
  本稿では,特徴空間投影による複数画像からの対話的・同時セグメントアノテーションを提案する。 本手法は,前景セグメンテーションデータセットにおける最先端手法の精度を上回ることができることを示す。
  論文  参考訳（メタデータ） (2021-01-12T10:13:35Z)
• Saliency-driven Class Impressions for Feature Visualization of Deep Neural Networks [55.11806035788036]
  分類に欠かせないと思われる特徴を視覚化することは有利である。 既存の可視化手法は,背景特徴と前景特徴の両方からなる高信頼画像を生成する。 本研究では,あるタスクにおいて最も重要であると考えられる識別的特徴を可視化するための,サリエンシ駆動型アプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-31T06:11:06Z)
• Improving Semantic Segmentation via Decoupled Body and Edge Supervision [89.57847958016981]
  既存のセグメンテーションアプローチは、グローバルコンテキストをモデル化することでオブジェクトの内部の一貫性を改善すること、あるいはマルチスケールの特徴融合によって境界に沿ったオブジェクトの詳細を洗練することを目的としている。 本稿では,セマンティックセグメンテーションのための新しいパラダイムを提案する。 我々の洞察は、セマンティックセグメンテーションの魅力ある性能には、画像の高頻度と低頻度に対応するオブジェクトのテキストボディとテキストエッジを具体的にモデル化する必要があるということである。 さまざまなベースラインやバックボーンネットワークを備えた提案したフレームワークが,オブジェクト内部の一貫性とオブジェクト境界を向上させることを示す。
  論文  参考訳（メタデータ） (2020-07-20T12:11:22Z)

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。