論文の概要: Synthesize Boundaries: A Boundary-aware Self-consistent Framework for
Weakly Supervised Salient Object Detection
- arxiv url: http://arxiv.org/abs/2212.01764v1
- Date: Sun, 4 Dec 2022 08:22:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 17:17:18.749254
- Title: Synthesize Boundaries: A Boundary-aware Self-consistent Framework for
Weakly Supervised Salient Object Detection
- Title（参考訳）: 合成境界:弱い監視対象検出のための境界対応自己整合性フレームワーク
- Authors: Binwei Xu, Haoran Liang, Ronghua Liang, Peng Chen
- Abstract要約: 設計した合成画像とラベルから正確な境界を学習することを提案する。
合成画像は、塩物の実凹部を模擬する合成凹部を挿入することにより境界情報を生成する。
また,グローバル積分分枝 (GIB) と境界認識分枝 (BAB) から構成される新たな自己整合性フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 8.951168425295378
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fully supervised salient object detection (SOD) has made considerable
progress based on expensive and time-consuming data with pixel-wise
annotations. Recently, to relieve the labeling burden while maintaining
performance, some scribble-based SOD methods have been proposed. However,
learning precise boundary details from scribble annotations that lack edge
information is still difficult. In this paper, we propose to learn precise
boundaries from our designed synthetic images and labels without introducing
any extra auxiliary data. The synthetic image creates boundary information by
inserting synthetic concave regions that simulate the real concave regions of
salient objects. Furthermore, we propose a novel self-consistent framework that
consists of a global integral branch (GIB) and a boundary-aware branch (BAB) to
train a saliency detector. GIB aims to identify integral salient objects, whose
input is the original image. BAB aims to help predict accurate boundaries,
whose input is the synthetic image. These two branches are connected through a
self-consistent loss to guide the saliency detector to predict precise
boundaries while identifying salient objects. Experimental results on five
benchmarks demonstrate that our method outperforms the state-of-the-art weakly
supervised SOD methods and further narrows the gap with the fully supervised
methods.
- Abstract（参考訳）: 完全教師付きサルエントオブジェクト検出(SOD)は、ピクセル単位のアノテーションによる高価で時間を要するデータに基づいてかなり進歩している。
近年,性能を維持しながらラベル付け負担を軽減するため,スクリブル方式のSOD法が提案されている。
しかし、エッジ情報に欠けるスクリブルアノテーションから正確な境界の詳細を学ぶことは依然として困難である。
本稿では, 補助データを導入することなく, 設計した合成画像とラベルから正確な境界を学習することを提案する。
合成画像は、サリエントオブジェクトの実凹領域をシミュレートする合成凹領域を挿入することにより境界情報を生成する。
さらに,グローバル積分分枝 (gib) と境界認識分枝 (bab) からなる,サリエンシー検出器を訓練する新しい自己整合フレームワークを提案する。
GIBは、入力が元のイメージである統合正当性オブジェクトを識別することを目的としている。
BABは、入力が合成画像である正確な境界の予測を支援することを目指している。
これら2つの枝は自己整合損失を介して接続され、塩分検出器が塩分のある物体を識別しながら正確な境界を予測できるように導かれる。
5つのベンチマークによる実験結果から,本手法は弱教師付きSOD法よりも優れ,完全教師付きSOD法とのギャップをさらに狭めることが示された。
関連論文リスト
- Semi-supervised Open-World Object Detection [74.95267079505145]
半教師付きオープンワールド検出(SS-OWOD)という,より現実的な定式化を導入する。
提案したSS-OWOD設定では,最先端OWOD検出器の性能が劇的に低下することが実証された。
我々は,MS COCO, PASCAL, Objects365, DOTAの4つのデータセットを用いた実験を行い, 提案手法の有効性を実証した。
論文 参考訳（メタデータ） (2024-02-25T07:12:51Z) - SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。
提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
論文 参考訳（メタデータ） (2023-04-10T11:10:42Z) - Open-Set Semi-Supervised Object Detection [43.464223594166654]
近年,Semi-Supervised Object Detection (SSOD) の開発が進められている。
我々は、より実用的で難しい問題、OSSOD(Open-Set Semi-Supervised Object Detection)を考える。
提案フレームワークはセマンティック拡張問題に効果的に対処し,OSSODベンチマークにおける一貫した改善を示す。
論文 参考訳（メタデータ） (2022-08-29T17:04:30Z) - Unsupervised Domain Adaptive Salient Object Detection Through
Uncertainty-Aware Pseudo-Label Learning [104.00026716576546]
そこで本研究では,手動のアノテーションを使わずに,自然に高いピクセルラベル品質を有する合成・クリーンなラベルから,サリエンスを学習することを提案する。
提案手法は,複数のベンチマークデータセット上で,既存の最先端の深層教師なしSOD法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-02-26T16:03:55Z) - Scribble-based Boundary-aware Network for Weakly Supervised Salient
Object Detection in Remote Sensing Images [10.628932392896374]
スパース・スクリブル・アノテーションからリモートセンシング画像の正当性を予測するために,弱教師付きサルエント・オブジェクト検出フレームワークを提案する。
具体的には,高信頼度オブジェクト境界 (擬似) ラベルによって明示的に制御されるオブジェクト境界意味論を探索する境界対応モジュール (BAM) を設計する。
次に,境界セマンティクスを高次特徴と統合し,スクリブルラベルの監督下での健全な物体検出を誘導する。
論文 参考訳（メタデータ） (2022-02-07T20:32:21Z) - Boundary Guided Context Aggregation for Semantic Segmentation [23.709865471981313]
我々は、画像の全体的意味理解を促進するために、コンテキストアグリゲーションのための重要なガイダンスとして境界を利用する。
我々はCityscapesとADE20Kデータベースに関する広範な実験を行い、最先端の手法で同等の結果を得る。
論文 参考訳（メタデータ） (2021-10-27T17:04:38Z) - Self-Supervised Object Detection via Generative Image Synthesis [106.65384648377349]
本稿では,自己教師対象検出のための制御可能なGANを用いたエンドツーエンド分析合成フレームワークを提案する。
オブジェクトの合成と検出を学習するために、ボックスアノテーションを使用せずに、実世界のイメージのコレクションを使用します。
我々の研究は、制御可能なGAN画像合成という新しいパラダイムを導入することで、自己教師対象検出の分野を前進させる。
論文 参考訳（メタデータ） (2021-10-19T11:04:05Z) - Saliency Detection via Global Context Enhanced Feature Fusion and Edge
Weighted Loss [6.112591965159383]
本研究では,コンテキスト融合デコーダネットワーク(CFDN)と近縁重み付き損失(NEWLoss)関数を提案する。
CFDNは、グローバルコンテキスト情報を統合し、不要な空間情報の影響を抑えることにより、正確な唾液マップを作成する。
NewLossは、オブジェクト境界上の重み写像を生成することによって、追加モジュールなしで曖昧な境界の学習を加速する。
論文 参考訳（メタデータ） (2021-10-13T08:04:55Z) - Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。
提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。
そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。
ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
論文 参考訳（メタデータ） (2020-11-25T18:59:54Z) - Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。
そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。
我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
論文 参考訳（メタデータ） (2020-03-17T12:59:50Z)
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。