Fugu-MT 論文翻訳(概要): Growing Instance Mask on Leaf

論文の概要: Growing Instance Mask on Leaf

arxiv url: http://arxiv.org/abs/2211.16738v1
Date: Wed, 30 Nov 2022 04:50:56 GMT
ステータス: 処理完了
システム内更新日: 2022-12-01 15:46:48.275706
Title: Growing Instance Mask on Leaf
Title（参考訳）: 葉のインスタンスマスクの成長
Authors: Chuang Yang, Haozhao Ma, and Qi Wang
Abstract要約: 設計の複雑さを抑えるために,textbfVeinMask というシングルショット方式を提案する。上述の優越性を考慮すると、インスタンス分割問題を定式化するためにVeinMaskを提案する。 VeinMaskは、設計の複雑さが低い他の輪郭ベースの方法よりもはるかに優れている。
参考スコア（独自算出の注目度）: 12.312639923806548
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Contour-based instance segmentation methods include one-stage and multi-stage schemes. These approaches achieve remarkable performance. However, they have to define plenty of points to segment precise masks, which leads to high complexity. We follow this issue and present a single-shot method, called \textbf{VeinMask}, for achieving competitive performance in low design complexity. Concretely, we observe that the leaf locates coarse margins via major veins and grows minor veins to refine twisty parts, which makes it possible to cover any objects accurately. Meanwhile, major and minor veins share the same growth mode, which avoids modeling them separately and ensures model simplicity. Considering the superiorities above, we propose VeinMask to formulate the instance segmentation problem as the simulation of the vein growth process and to predict the major and minor veins in polar coordinates. Besides, centroidness is introduced for instance segmentation tasks to help suppress low-quality instances. Furthermore, a surroundings cross-correlation sensitive (SCCS) module is designed to enhance the feature expression by utilizing the surroundings of each pixel. Additionally, a Residual IoU (R-IoU) loss is formulated to supervise the regression tasks of major and minor veins effectively. Experiments demonstrate that VeinMask performs much better than other contour-based methods in low design complexity. Particularly, our method outperforms existing one-stage contour-based methods on the COCO dataset with almost half the design complexity.
Abstract（参考訳）: 輪郭ベースのインスタンスセグメンテーション手法には、一段階と多段階のスキームが含まれる。これらのアプローチは素晴らしいパフォーマンスを達成する。しかし、彼らは精密なマスクをセグメントするために多くのポイントを定義しなければならない。我々はこの問題に追従し、低設計の複雑さで競合性能を達成するための単発法である \textbf{veinmask} を提案する。具体的には、葉は大きな静脈を介して粗い縁の位置にあり、小さな静脈を成長させてねじれ部を洗練させ、あらゆる物体を正確に覆うことができる。一方、メジャーとマイナーの静脈は同じ成長モードを共有しており、個別にモデリングすることを避け、モデルの単純さを保証する。上述の優位性を考慮すると、静脈成長過程のシミュレーションとしてインスタンスセグメンテーション問題を定式化し、極座標における大静脈および小静脈を予測するためにVeinMaskを提案する。さらに、セグメンテーションタスクのセグメンテーションでは、低品質のインスタンスを抑制するためにcentroidnessが導入されている。さらに、各画素の周囲を利用して特徴表現を強化するために、周辺相互相関感度(SCCS)モジュールを設計する。さらに、残留IoU損失(R-IoU)を定式化し、大静脈および小静脈の回帰タスクを効果的に監視する。実験により、VeinMaskは設計の複雑さが低い他の輪郭ベースの方法よりもはるかに優れた性能を示している。特に,提案手法はCOCOデータセット上の既存の1段階の輪郭法よりも設計の複雑さが半々である。

関連論文リスト

NubbleDrop: A Simple Way to Improve Matching Strategy for Prompted One-Shot Segmentation [2.2559617939136505]
マッチング戦略の有効性とロバスト性を高めるための,単純で訓練のない手法を提案する。中心となる概念は、マッチングプロセス中にランダムに特徴チャネル(0に設定する)をドロップすることである。この手法は、病理的なヌブルの破棄を模倣し、他の類似性コンピューティングのシナリオにシームレスに適用することができる。
論文参考訳（メタデータ） (2024-05-19T08:00:38Z)
Weakly-Supervised Cross-Domain Segmentation of Electron Microscopy with Sparse Point Annotation [1.124958340749622]
カウント,検出,セグメンテーションタスク間の相関を利用したマルチタスク学習フレームワークを提案する。ラベル拡張のためのクロスポジションカット・アンド・ペーストを開発し,エントロピーに基づく擬似ラベル選択を行う。提案手法は, UDA法を著しく上回り, 教師付き手法と同等の性能を発揮する。
論文参考訳（メタデータ） (2024-03-31T12:22:23Z)
CRA-PCN: Point Cloud Completion with Intra- and Inter-level Cross-Resolution Transformers [29.417270066061864]
局所的な注意機構を持つクロスレゾリューションアグリゲーションを効率的に行うクロスレゾリューショントランスを提案する。我々は2種類のクロス・リゾリューション・トランスフォーマーを1つのアップサンプリングブロックに統合して点生成を行い、粗い方法でCRA-PCNを構築し、完全な形状を漸進的に予測する。
論文参考訳（メタデータ） (2024-01-03T05:57:39Z)
Weakly-Supervised Concealed Object Segmentation with SAM-based Pseudo Labeling and Multi-scale Feature Grouping [40.07070188661184]
Wakly-Supervised Concealed Object (WSCOS) は、周囲の環境とうまく融合したオブジェクトを分割することを目的としている。内在的な類似性のため、背景から隠された物体を区別することは困難である。これら2つの課題に対処する新しいWSCOS手法を提案する。
論文参考訳（メタデータ） (2023-05-18T14:31:34Z)
IDEAL: Improved DEnse locAL Contrastive Learning for Semi-Supervised Medical Image Segmentation [3.6748639131154315]
我々は,メートル法学習の概念をセグメンテーションタスクに拡張する。本稿では,高密度画素レベルの特徴量を得るための単純な畳み込みプロジェクションヘッドを提案する。下流タスクに対して,2ストリーム正規化トレーニングを含む双方向正規化機構を考案した。
論文参考訳（メタデータ） (2022-10-26T23:11:02Z)
BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。提案手法は最先端手法よりも優れた結果が得られることを示す。
論文参考訳（メタデータ） (2022-06-25T13:13:37Z)
Decoupled Multi-task Learning with Cyclical Self-Regulation for Face Parsing [71.19528222206088]
顔解析のための周期的自己統制型デカップリング型マルチタスク学習を提案する。具体的には、DML-CSRは、顔解析、バイナリエッジ、カテゴリエッジ検出を含むマルチタスクモデルを設計する。提案手法は,Helen,CelebA-HQ,LapaMaskのデータセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2022-03-28T02:12:30Z)
Semantic Attention and Scale Complementary Network for Instance Segmentation in Remote Sensing Images [54.08240004593062]
本稿では,セマンティックアテンション(SEA)モジュールとスケール補完マスクブランチ(SCMB)で構成される,エンドツーエンドのマルチカテゴリインスタンスセグメンテーションモデルを提案する。 SEAモジュールは、機能マップ上の興味あるインスタンスのアクティベーションを強化するために、追加の監督を備えた、単純な完全な畳み込みセマンティックセマンティックセマンティクスブランチを含んでいる。 SCMBは、元のシングルマスクブランチをトリデントマスクブランチに拡張し、異なるスケールで補完マスクの監視を導入する。
論文参考訳（メタデータ） (2021-07-25T08:53:59Z)
Deep Gaussian Processes for Few-Shot Segmentation [66.08463078545306]
少数ショットのセグメンテーションは難しい作業であり、いくつかの注釈付きサンプルから一般化可能な表現を抽出する必要がある。ガウス過程(GP)回帰に基づく数ショット学習者定式化を提案する。 PASCAL-5i と COCO-20i では mIoU スコアが68.1 と 49.8 である。
論文参考訳（メタデータ） (2021-03-30T17:56:32Z)
DyCo3D: Robust Instance Segmentation of 3D Point Clouds through Dynamic Convolution [136.7261709896713]
本稿では,インスタンスの性質に応じて適切な畳み込みカーネルを生成するデータ駆動型アプローチを提案する。提案手法はScanetNetV2とS3DISの両方で有望な結果が得られる。また、現在の最先端よりも推論速度を25%以上向上させる。
論文参考訳（メタデータ） (2020-11-26T14:56:57Z)
Prior Guided Feature Enrichment Network for Few-Shot Segmentation [64.91560451900125]
最先端のセマンティックセグメンテーション手法は、良い結果を得るために十分なラベル付きデータを必要とする。少数のラベル付きサポートサンプルを持つ新しいクラスに迅速に適応するモデルを学習することで,この問題に対処するためのショットセグメンテーションが提案されている。これらのフレームワークは、高レベルのセマンティック情報の不適切な使用により、目に見えないクラスにおける一般化能力の低下という課題に直面している。
論文参考訳（メタデータ） (2020-08-04T10:41:32Z)

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。