論文の概要: Pixels Together Strong: Segmenting Unknown Regions Rejected by All

• arxiv url: http://arxiv.org/abs/2211.14293v1
• Date: Fri, 25 Nov 2022 18:50:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 17:33:08.237527
• Title: Pixels Together Strong: Segmenting Unknown Regions Rejected by All
• Title（参考訳）: ピクセル同士が強い: 未知の領域を全部取り除く
• Authors: Nazir Nayal, M{\i}sra Yavuz, Jo\~ao F. Henriques, Fatma G\"uney
• Abstract要約: 本稿では,未知のオブジェクトセグメンテーションのための問合せベースのマスク分類の可能性について検討する。 オブジェクトクエリは特定のクラスの予測に特化しており、すべての分類子に対して1つの振る舞いをすることを示す。 マスク分類が客観性維持に有効であることを示し,提案したスコアリング関数は不確実性の原因を排除している。
• 参考スコア（独自算出の注目度）: 1.3381749415517021
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic segmentation methods typically perform per-pixel classification by assuming a fixed set of semantic categories. While they perform well on the known set, the network fails to learn the concept of objectness, which is necessary for identifying unknown objects. In this paper, we explore the potential of query-based mask classification for unknown object segmentation. We discover that object queries specialize in predicting a certain class and behave like one vs. all classifiers, allowing us to detect unknowns by finding regions that are ignored by all the queries. Based on a detailed analysis of the model's behavior, we propose a novel anomaly scoring function. We demonstrate that mask classification helps to preserve the objectness and the proposed scoring function eliminates irrelevant sources of uncertainty. Our method achieves consistent improvements in multiple benchmarks, even under high domain shift, without retraining or using outlier data. With modest supervision for outliers, we show that further improvements can be achieved without affecting the closed-set performance.
• Abstract（参考訳）: セマンティックセグメンテーション法は通常、固定されたセマンティックカテゴリのセットを仮定してピクセル単位の分類を行う。 既知のセット上ではうまく機能するが、ネットワークは未知のオブジェクトを識別するために必要なオブジェクト性の概念を学習できない。 本稿では,未知のオブジェクトセグメンテーションのための問合せベースのマスク分類の可能性を検討する。 オブジェクトクエリは、あるクラスを予測し、あるクラスを1対すべての分類器のように振る舞うことを専門としており、すべてのクエリによって無視される領域を見つけることによって未知を検出することができる。 モデル行動の詳細な解析に基づいて,新しい異常スコアリング関数を提案する。 マスク分類は対象性を保つのに役立つことを示し,提案するスコアリング関数は不確かさの源を排除できることを示した。 本手法は,再トレーニングや異常値データの使用なしに,高い領域シフト下でも,複数のベンチマークにおいて一貫した改善を実現する。 外れ値に対する控えめな監督により、クローズドセットのパフォーマンスに影響を与えずにさらなる改善が達成できることを示す。

関連論文リスト

• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Rethinking Unsupervised Outlier Detection via Multiple Thresholding [15.686139522490189]
  本稿では,既存のスコアリング手法を進化させるために,マルチしきい値(Multi-T)モジュールを提案する。 これにより、2つのしきい値が生成され、不正なターゲットデータセットからインレーヤとアウトレーヤを分離する。 実験により,Multi-Tが提案したアウトリースコアリング法を大幅に改善できることが確認された。
  論文  参考訳（メタデータ） (2024-07-07T14:09:50Z)
• SSB: Simple but Strong Baseline for Boosting Performance of Open-Set Semi-Supervised Learning [106.46648817126984]
  本稿では,挑戦的で現実的なオープンセットSSL設定について検討する。 目標は、inlierを正しく分類し、outlierを検知することである。 信頼度の高い疑似ラベル付きデータを組み込むことで、不整合分類性能を大幅に改善できることが判明した。
  論文  参考訳（メタデータ） (2023-11-17T15:14:40Z)
• Retrieval-Augmented Classification with Decoupled Representation [31.662843145399044]
  そこで本研究では,KNN(Kk$-nearest-neighbor)に基づく拡張分類検索手法を提案する。 分類と検索の共有表現がパフォーマンスを損なうことや,トレーニングの不安定化につながることが判明した。 本手法は,幅広い分類データセットを用いて評価する。
  論文  参考訳（メタデータ） (2023-03-23T06:33:06Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)
• Predicting Classification Accuracy When Adding New Unobserved Classes [8.325327265120283]
  そこで本研究では,より大規模で未観測のクラスに対して,期待する精度を推定するために,分類器の性能をどのように利用することができるかを検討する。 ニューラルネットワークに基づく頑健なアルゴリズム "CleaneX" を定式化し,任意のサイズのクラスに対して,そのような分類器の精度を推定する。
  論文  参考訳（メタデータ） (2020-10-28T14:37:25Z)
• Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
  ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。 モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
  論文  参考訳（メタデータ） (2020-07-20T05:57:42Z)
• Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
  オープンセット認識の問題点を考察する。 新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-05-27T23:49:26Z)

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。