論文の概要: Query Semantic Reconstruction for Background in Few-Shot Segmentation

• arxiv url: http://arxiv.org/abs/2210.12055v1
• Date: Fri, 21 Oct 2022 15:49:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 15:30:49.163684
• Title: Query Semantic Reconstruction for Background in Few-Shot Segmentation
• Title（参考訳）: マイズショットセグメンテーションにおける背景の問合せセマンティクス再構成
• Authors: Haoyan Guan, Michael Spratling
• Abstract要約: Few-shot segmentation (FSS) は、いくつかのアノテーション付きサンプルを使用して、目に見えないクラスをセグメントすることを目的としている。 いくつかのFSSメソッドは、サポートイメージの背景を使用して、クエリイメージの背景を特定することでこの問題に対処しようとする。 本稿では,クエリ画像自体から背景を抽出するQSRを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot segmentation (FSS) aims to segment unseen classes using a few annotated samples. Typically, a prototype representing the foreground class is extracted from annotated support image(s) and is matched to features representing each pixel in the query image. However, models learnt in this way are insufficiently discriminatory, and often produce false positives: misclassifying background pixels as foreground. Some FSS methods try to address this issue by using the background in the support image(s) to help identify the background in the query image. However, the backgrounds of theses images is often quite distinct, and hence, the support image background information is uninformative. This article proposes a method, QSR, that extracts the background from the query image itself, and as a result is better able to discriminate between foreground and background features in the query image. This is achieved by modifying the training process to associate prototypes with class labels including known classes from the training data and latent classes representing unknown background objects. This class information is then used to extract a background prototype from the query image. To successfully associate prototypes with class labels and extract a background prototype that is capable of predicting a mask for the background regions of the image, the machinery for extracting and using foreground prototypes is induced to become more discriminative between different classes. Experiments for both 1-shot and 5-shot FSS on both the PASCAL-5i and COCO-20i datasets demonstrate that the proposed method results in a significant improvement in performance for the baseline methods it is applied to. As QSR operates only during training, these improved results are produced with no extra computational complexity during testing.
• Abstract（参考訳）: Few-shot segmentation (FSS) は、いくつかのアノテーション付きサンプルを使用して見えないクラスをセグメントすることを目的としている。 通常、前景クラスを表すプロトタイプは、注釈付きサポートイメージ(s)から抽出され、クエリ画像の各ピクセルを表す特徴にマッチする。 しかし、この方法で学習したモデルは判別に不十分であり、しばしば偽陽性を生じる:背景画素を前景と誤分類する。 いくつかのFSSメソッドは、サポートイメージの背景を使用して、クエリイメージの背景を特定することでこの問題に対処しようとする。 しかし、これらの画像の背景は、しばしばかなり異なるため、サポート画像の背景情報は非形式的である。 本稿では,問合せ画像から背景を抽出するqsr手法を提案する。その結果,問合せ画像における前景特徴と背景特徴の判別性が向上する。 これはトレーニングプロセスを変更して、トレーニングデータから既知のクラスを含むクラスラベルと、未知のバックグラウンドオブジェクトを表す潜在クラスを関連付けることで実現される。 このクラス情報は、クエリ画像からバックグラウンドプロトタイプを抽出するために使用される。 プロトタイプをクラスラベルに関連付け、画像の背景領域のマスクを予測可能な背景プロトタイプを抽出することで、前景プロトタイプを抽出・使用するための機械を、異なるクラス間でより判別可能に誘導する。 pascal-5iとcoco-20iのデータセット上での1ショットおよび5ショットのfss実験は、提案手法が適用されるベースライン法の性能が大幅に向上することを示している。 QSRはトレーニング中のみ動作するため、これらの改善された結果は、テスト中に余分な計算複雑性を伴わずに生成される。

関連論文リスト

• Breaking Immutable: Information-Coupled Prototype Elaboration for Few-Shot Object Detection [15.079980293820137]
  本稿では,情報結合型プロトタイプ開発(ICPE)手法を提案する。 提案手法は,ほぼすべての設定で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-11-27T10:33:11Z)
• Invariant Learning via Diffusion Dreamed Distribution Shifts [121.71383835729848]
  拡散ドリーム分布シフト(D3S)と呼ばれるデータセットを提案する。 D3Sは、テキストプロンプトを用いてStableDiffusionを通じて生成された合成画像と、サンプルフォアグラウンドイメージを背景テンプレートイメージにペーストした画像ガイドから構成される。 拡散モデルの驚くべきフォトリアリズムのため、我々の画像は以前の合成データセットよりも自然な画像に近い。
  論文  参考訳（メタデータ） (2022-11-18T17:07:43Z)
• Scrape, Cut, Paste and Learn: Automated Dataset Generation Applied to Parcel Logistics [58.720142291102135]
  4つのステップでインスタンスセグメンテーションのための合成データセットを生成するために,完全に自動化されたパイプラインを提案する。 まず、人気のある画像検索エンジンから興味ある対象の画像を抽出する。 画像選択には,オブジェクトに依存しない事前処理,手動画像選択,CNNに基づく画像選択の3つの方法を比較する。
  論文  参考訳（メタデータ） (2022-10-18T12:49:04Z)
• On Background Bias in Deep Metric Learning [5.368313160283353]
  画像背景がDeep Metric Learningモデルに与える影響を分析する。 トレーニング中の画像の背景をランダムな背景画像に置き換えることでこの問題が軽減されることを示す。
  論文  参考訳（メタデータ） (2022-10-04T13:57:39Z)
• Sparse Spatial Transformers for Few-Shot Learning [6.271261279657655]
  限られたデータから学ぶことは、データの不足によってトレーニングされたモデルの一般化が不十分になるため、難しい。 スパース空間トランスと呼ばれる新しいトランスを用いたニューラルネットワークアーキテクチャを提案する。 本手法はタスク関連機能を見つけ,タスク関連機能を抑制する。
  論文  参考訳（メタデータ） (2021-09-27T10:36:32Z)
• Rectifying the Shortcut Learning of Background: Shared Object Concentration for Few-Shot Image Recognition [101.59989523028264]
  Few-Shot画像分類は、大規模なデータセットから学んだ事前学習された知識を利用して、一連の下流分類タスクに取り組むことを目的としている。 本研究では,Few-Shot LearningフレームワークであるCOSOCを提案する。
  論文  参考訳（メタデータ） (2021-07-16T07:46:41Z)
• SCNet: Enhancing Few-Shot Semantic Segmentation by Self-Contrastive Background Prototypes [56.387647750094466]
  Few-shot セマンティックセマンティックセマンティクスは,クエリイメージ内の新規クラスオブジェクトを,アノテーション付きの例で分割することを目的としている。 先進的なソリューションのほとんどは、各ピクセルを学習した前景のプロトタイプに合わせることでセグメンテーションを行うメトリクス学習フレームワークを利用している。 このフレームワークは、前景プロトタイプのみとのサンプルペアの不完全な構築のために偏った分類に苦しんでいます。
  論文  参考訳（メタデータ） (2021-04-19T11:21:47Z)
• Semantically Meaningful Class Prototype Learning for One-Shot Image Semantic Segmentation [58.96902899546075]
  ワンショットセマンティックイメージセグメンテーションは、1つの注釈付きイメージで新しいクラスのオブジェクト領域を分割することを目的としている。 最近の研究では、テスト時に予想される状況を模倣するために、エピソディクストレーニング戦略を採用している。 エピソードトレーニングにおいて,マルチクラスラベル情報を活用することを提案する。 ネットワークが各カテゴリに対してより意味のある機能を生成するように促すだろう。
  論文  参考訳（メタデータ） (2021-02-22T12:07:35Z)
• Distilling Localization for Self-Supervised Representation Learning [82.79808902674282]
  コントラスト学習は教師なし表現学習に革命をもたらした。 現在のコントラストモデルでは、前景オブジェクトのローカライズには効果がない。 本稿では,背景変化を学習するためのデータ駆動型手法を提案する。
  論文  参考訳（メタデータ） (2020-04-14T16:29:42Z)

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。