論文の概要: Offset-Guided Attention Network for Room-Level Aware Floor Plan Segmentation

• arxiv url: http://arxiv.org/abs/2210.17411v1
• Date: Sat, 22 Oct 2022 16:53:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 15:05:17.649749
• Title: Offset-Guided Attention Network for Room-Level Aware Floor Plan Segmentation
• Title（参考訳）: 室内レベル対応床計画セグメンテーションのためのオフセット誘導注意ネットワーク
• Authors: Zhangyu Wang and Ningyuan Sun
• Abstract要約: 本稿では,新たに提案したオフセットガイド型アテンション機構を用いて,フロアプランのレイアウトを認識する新しい手法を提案する。 さらに,部屋,壁,ドアの予測の整合性を促進するために,チャネルワイドの注意を生かしたFeature Fusion Attentionモジュールを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recognition of floor plans has been a challenging and popular task. Despite that many recent approaches have been proposed for this task, they typically fail to make the room-level unified prediction. Specifically, multiple semantic categories can be assigned in a single room, which seriously limits their visual quality and applicability. In this paper, we propose a novel approach to recognize the floor plan layouts with a newly proposed Offset-Guided Attention mechanism to improve the semantic consistency within a room. In addition, we present a Feature Fusion Attention module that leverages the channel-wise attention to encourage the consistency of the room, wall, and door predictions, further enhancing the room-level semantic consistency. Experimental results manifest our approach is able to improve the room-level semantic consistency and outperforms the existing works both qualitatively and quantitatively.
• Abstract（参考訳）: フロアプランの認識は、挑戦的で人気のあるタスクです。 このタスクには近年多くのアプローチが提案されているが、通常は部屋レベルの統一予測に失敗している。 具体的には、複数のセマンティクスカテゴリをひとつの部屋に割り当てることができるため、視覚的品質と適用性が著しく制限される。 本稿では,室内におけるセマンティクスの一貫性を改善するために,新たに提案するオフセットガイドアテンション機構を用いてフロアプランレイアウトを認識する新しい手法を提案する。 さらに,部屋,壁,ドアの予測の整合性を促進し,室内レベルのセマンティックな整合性を高めるために,チャネルワイドの注意を生かしたFeature Fusion Attentionモジュールを提案する。 実験結果から,本手法は室内レベルのセマンティック一貫性を向上し,定性的かつ定量的に既存の作業より優れることが示された。

関連論文リスト

• Spatial Structure Constraints for Weakly Supervised Semantic Segmentation [100.0316479167605]
  クラスアクティベーションマップ(CAM)は、オブジェクトの最も識別性の高い部分のみを見つけることができる。 注意伸縮の余剰なオブジェクトの過剰な活性化を軽減するために,弱い教師付きセマンティックセマンティックセグメンテーションのための空間構造制約(SSC)を提案する。 提案手法は,PASCAL VOC 2012とCOCOデータセットでそれぞれ72.7%,47.0%mIoUを達成した。
  論文  参考訳（メタデータ） (2024-01-20T05:25:25Z)
• Causal Unsupervised Semantic Segmentation [60.178274138753174]
  教師なしセマンティックセグメンテーションは、人間のラベル付きアノテーションなしで高品質なセマンティックセマンティックセグメンテーションを実現することを目的としている。 本稿では、因果推論からの洞察を活用する新しいフレームワークCAUSE(CAusal Unsupervised Semantic sEgmentation)を提案する。
  論文  参考訳（メタデータ） (2023-10-11T10:54:44Z)
• Activation Modulation and Recalibration Scheme for Weakly Supervised Semantic Segmentation [24.08326440298189]
  弱教師付きセマンティックセグメンテーションのための新しいアクティベーション変調と再校正手法を提案する。 PASCAL VOC 2012データセット上で,AMRが新たな最先端パフォーマンスを確立することを示す。 また,本手法はプラグアンドプレイであり,他の手法と組み合わせて性能向上を図ることが可能であることを実験により明らかにした。
  論文  参考訳（メタデータ） (2021-12-16T16:26:14Z)
• Adaptive Proposal Generation Network for Temporal Sentence Localization in Videos [58.83440885457272]
  ビデオ(TSLV)における時間文ローカライゼーションの問題に対処する。 従来のメソッドは、事前に定義されたセグメントの提案でターゲットセグメントをローカライズするトップダウンフレームワークに従っている。 本稿では,効率を向上しつつセグメントレベルの相互作用を維持するための適応提案生成ネットワーク(APGN)を提案する。
  論文  参考訳（メタデータ） (2021-09-14T02:02:36Z)
• Domain Adaptive Semantic Segmentation with Self-Supervised Depth Estimation [84.34227665232281]
  セマンティックセグメンテーションのためのドメイン適応は、ソースとターゲットドメイン間の分散シフトの存在下でモデルのパフォーマンスを向上させることを目的とする。 ドメイン間のギャップを埋めるために、両ドメインで利用可能な自己教師付き深さ推定からのガイダンスを活用します。 提案手法のベンチマークタスクSYNTHIA-to-CityscapesとGTA-to-Cityscapesの有効性を実証する。
  論文  参考訳（メタデータ） (2021-04-28T07:47:36Z)
• The Single-Noun Prior for Image Clustering [34.97652735163338]
  近年,自己教師付きクラスタリング手法は精度の向上を図っているが,教師付き分類法のようには機能していない。 先述の"single-noun"は、セマンティッククラスタは、人間が単一名詞でラベル付けする概念に対応する傾向がある、と述べている。 本稿では,施設配置問題の特別な場合として,この最適化タスクを大規模に解くための簡単な手法を提案する。
  論文  参考訳（メタデータ） (2021-04-08T17:54:37Z)
• Point-Level Temporal Action Localization: Bridging Fully-supervised Proposals to Weakly-supervised Losses [84.2964408497058]
  point-level temporal action localization (ptal) は、各アクションインスタンスに対して1つのタイムスタンプアノテーションで、未トリミングビデオ内のアクションをローカライズすることを目的としている。 既存の手法ではフレームレベルの予測パラダイムを採用し、スパース単一フレームラベルから学習する。 本稿では,ポイントレベルアノテーションの提案に基づく予測パラダイムを検討する。
  論文  参考訳（メタデータ） (2020-12-15T12:11:48Z)
• Shape Consistent 2D Keypoint Estimation under Domain Shift [35.15266729401601]
  ドメインシフトの下でキーポイントを推定するための新しい深層適応フレームワークを提案する。 本手法は,機能アライメント,対人訓練,自己超越という3つの構成要素をシームレスに結合する。 提案手法は,2次元キーポイント予測タスクにおける最先端領域適応手法より優れている。
  論文  参考訳（メタデータ） (2020-08-04T14:32:06Z)
• Mixup-CAM: Weakly-supervised Semantic Segmentation via Uncertainty Regularization [73.03956876752868]
  我々は、ネットワークがオブジェクトの他の部分に注意を払うことを可能にする、原則的でエンドツーエンドのトレーニング可能なフレームワークを提案する。 具体的には、ミックスアップデータ拡張方式を分類ネットワークに導入し、2つの不確実な正規化項を設計し、ミックスアップ戦略をよりよく扱う。
  論文  参考訳（メタデータ） (2020-08-03T21:19:08Z)
• The Direction-Aware, Learnable, Additive Kernels and the Adversarial Network for Deep Floor Plan Recognition [2.826553192869411]
  円形の部屋や傾斜壁などの不規則な形状の要素を認識することを目的としている。 コンテクストモジュールと共通畳み込みブロックの両方を応用するために,方向対応,学習可能な,付加的なカーネルを提案する。 2つの識別器を持つ対向ネットワークを提案し、要素の精度をさらに向上させる。
  論文  参考訳（メタデータ） (2020-01-30T07:10:39Z)

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。