論文の概要: Box2Mask: Box-supervised Instance Segmentation via Level-set Evolution

• arxiv url: http://arxiv.org/abs/2212.01579v1
• Date: Sat, 3 Dec 2022 09:32:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 17:07:50.386096
• Title: Box2Mask: Box-supervised Instance Segmentation via Level-set Evolution
• Title（参考訳）: Box2Mask:レベルセット進化によるボックス管理インスタンスセグメンテーション
• Authors: Wentong Li, Wenyu Liu, Jianke Zhu, Miaomiao Cui, Risheng Yu, Xiansheng Hua, Lei Zhang
• Abstract要約: 本稿では,Box2Maskという新しい単一ショットインスタンスセグメンテーション手法を提案する。 Box2Maskは、古典的なレベルセット進化モデルとディープニューラルネットワーク学習を統合して、バウンディングボックスの監督のみで正確なマスク予測を実現する。
• 参考スコア（独自算出の注目度）: 38.88010537144528
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In contrast to fully supervised methods using pixel-wise mask labels, box-supervised instance segmentation takes advantage of simple box annotations, which has recently attracted increasing research attention. This paper presents a novel single-shot instance segmentation approach, namely Box2Mask, which integrates the classical level-set evolution model into deep neural network learning to achieve accurate mask prediction with only bounding box supervision. Specifically, both the input image and its deep features are employed to evolve the level-set curves implicitly, and a local consistency module based on a pixel affinity kernel is used to mine the local context and spatial relations. Two types of single-stage frameworks, i.e., CNN-based and transformer-based frameworks, are developed to empower the level-set evolution for box-supervised instance segmentation, and each framework consists of three essential components: instance-aware decoder, box-level matching assignment and level-set evolution. By minimizing the level-set energy function, the mask map of each instance can be iteratively optimized within its bounding box annotation. The experimental results on five challenging testbeds, covering general scenes, remote sensing, medical and scene text images, demonstrate the outstanding performance of our proposed Box2Mask approach for box-supervised instance segmentation. In particular, with the Swin-Transformer large backbone, our Box2Mask obtains 42.4% mask AP on COCO, which is on par with the recently developed fully mask-supervised methods. The code is available at: https://github.com/LiWentomng/boxlevelset.
• Abstract（参考訳）: ピクセルワイズマスクラベルを用いた完全教師付き手法とは対照的に、ボックス教師付きインスタンスセグメンテーションは単純なボックスアノテーションを利用しており、近年研究の注目を集めている。 本稿では、従来のレベルセット進化モデルをディープニューラルネットワーク学習に統合し、バウンディングボックスのみによる正確なマスク予測を実現する、新しいシングルショットインスタンスセグメンテーションアプローチ、box2maskを提案する。 具体的には、入力画像と深い特徴の両方を用いてレベルセット曲線を暗黙的に発展させ、ピクセル親和性カーネルに基づく局所的一貫性モジュールを用いて局所的文脈と空間的関係をマイニングする。 CNNベースのフレームワークとトランスフォーマーベースのフレームワークという2つのタイプのシングルステージフレームワークが、ボックス管理インスタンスセグメンテーションのレベルセット進化を促進するために開発され、各フレームワークは3つの必須コンポーネント(インスタンス認識デコーダ、ボックスレベルのマッチング割り当て、レベルセット進化)で構成されている。 レベルセットエネルギー関数を最小化することで、各インスタンスのマスクマップを境界ボックスアノテーション内で反復的に最適化することができる。 一般的なシーン,リモートセンシング,医用テキスト画像およびシーンテキスト画像をカバーする5つのテストベッドの実験結果は,ボックス教師付きインスタンスセグメンテーションに対するbox2maskアプローチの優れた性能を示している。 特に、Swin-Transformerの大きなバックボーンでは、Box2MaskはCOCO上で42.4%のマスクAPを取得しており、これは最近開発された完全なマスク管理手法と同等である。 コードはhttps://github.com/liwentomng/boxlevelsetで入手できる。

関連論文リスト

• Skeleton-Guided Instance Separation for Fine-Grained Segmentation in Microscopy [23.848474219551818]
  顕微鏡(MS)画像解析における基本的な課題の1つは、インスタンスセグメンテーション(IS)である。 我々は,この課題に対処し,MS画像におけるISの精度を高めるために,A2B-ISという新しいワンステージフレームワークを提案する。 提案手法は2つの大規模MSデータセットに対して徹底的に検証されている。
  論文  参考訳（メタデータ） (2024-01-18T11:14:32Z)
• BoxSnake: Polygonal Instance Segmentation with Box Supervision [34.487089567665556]
  ボックスアノテーションのみを用いた効率的な多角形インスタンスセグメンテーションを実現するために,BoxSnakeと呼ばれる新しいエンドツーエンドトレーニング手法を提案する。 BoxSnakeはマスクベースの弱教師付き手法と比較して、予測セグメンテーションとバウンディングボックスの間のパフォーマンスギャップをさらに減らし、Cityscapesデータセットに顕著な優位性を示す。
  論文  参考訳（メタデータ） (2023-03-21T06:54:18Z)
• A Simple Framework for Open-Vocabulary Segmentation and Detection [85.21641508535679]
  我々は,異なるセグメンテーションと検出データセットから共同で学習する,シンプルなオープン語彙検出フレームワークOpenSeeDを提案する。 まず、事前学習されたテキストエンコーダを導入し、視覚概念を2つのタスクにエンコードし、それらの共通意味空間を学習する。 プレトレーニング後,本モデルでは,セグメンテーションと検出の両方において,競争力あるいは強いゼロショット転送性を示す。
  論文  参考訳（メタデータ） (2023-03-14T17:58:34Z)
• Box-supervised Instance Segmentation with Level Set Evolution [41.19797478617953]
  本稿では,古典的レベルセットモデルと深層ニューラルネットワークを微妙に統合したボックス教師付きインスタンスセグメンテーション手法を提案する。 単純なマスク管理SOLOv2モデルを用いて、各インスタンスのレベルセットとして、インスタンス認識マスクマップを予測する。 4つの挑戦的ベンチマークの実験結果から,提案手法の先行性能が示された。
  論文  参考訳（メタデータ） (2022-07-19T03:59:44Z)
• Accelerating the creation of instance segmentation training sets through bounding box annotation [25.85927871251385]
  我々の研究は、半自動的なアプローチに基づいて、インスタンスを3つのステップで記述することを提案する。 極端点の唯一の定義は、マスクが完全に手動で記述された場合、最大10倍の資源を必要とするモデル精度をもたらす。
  論文  参考訳（メタデータ） (2022-05-23T18:37:03Z)
• Point Cloud Instance Segmentation with Semi-supervised Bounding-Box Mining [17.69745159912481]
  ラベル付きおよび未ラベルのバウンディングボックスを監視として使用した,最初の半教師付きポイントクラウドインスタンスセグメンテーションフレームワーク(SPIB)を紹介した。 提案手法は,近年の完全教師付き手法と比較して,競争性能が向上する。
  論文  参考訳（メタデータ） (2021-11-30T08:40:40Z)
• Box-Adapt: Domain-Adaptive Medical Image Segmentation using Bounding BoxSupervision [52.45336255472669]
  深層学習のための弱教師付きドメイン適応設定を提案する。 Box-Adaptは、ソースドメインのきめ細かいセグナオンマスクとターゲットドメインの弱いバウンディングボックスを完全に探索する。 肝セグメンテーションにおける本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-08-19T01:51:04Z)
• The Devil is in the Boundary: Exploiting Boundary Representation for Basis-based Instance Segmentation [85.153426159438]
  本研究では,既存のグローバルマスクベースの手法を補完するグローバル境界表現を学習するために,Basisベースのインスタンス(B2Inst)を提案する。 私たちのB2Instは一貫した改善をもたらし、シーン内のインスタンス境界を正確に解析します。
  論文  参考訳（メタデータ） (2020-11-26T11:26:06Z)
• PointINS: Point-based Instance Segmentation [117.38579097923052]
  POI(Point-of-Interest)機能によるインスタンスセグメンテーションにおけるマスク表現は、各インスタンスの高次元マスク機能を学ぶには、計算負荷が重いため、難しい。 本稿では、このマスク表現学習タスクを2つの抽出可能なモジュールに分解するインスタンス認識畳み込みを提案する。 インスタンス認識の畳み込みとともに、単純で実用的なインスタンスセグメンテーションアプローチであるPointINSを提案する。
  論文  参考訳（メタデータ） (2020-03-13T08:24:58Z)

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。