論文の概要: Multi-task Fusion for Efficient Panoptic-Part Segmentation

• arxiv url: http://arxiv.org/abs/2212.07671v1
• Date: Thu, 15 Dec 2022 09:04:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 16:59:55.225462
• Title: Multi-task Fusion for Efficient Panoptic-Part Segmentation
• Title（参考訳）: 効率的なパノプティカル部分分割のためのマルチタスクフュージョン
• Authors: Sravan Kumar Jagadeesh, Ren\'e Schuster, Didier Stricker
• Abstract要約: 本稿では,共有エンコーダを用いて意味,例,部分のセグメンテーションを生成する新しいネットワークを提案する。 3つの頭部の予測を効率的に融合させるため,パラメータフリーのジョイント・フュージョン・モジュールを導入する。 本手法は,Cityscapes Panoptic Parts (CPP) と Pascal Panoptic Parts (PPP) のデータセットを用いて評価する。
• 参考スコア（独自算出の注目度）: 12.650574326251023
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we introduce a novel network that generates semantic, instance, and part segmentation using a shared encoder and effectively fuses them to achieve panoptic-part segmentation. Unifying these three segmentation problems allows for mutually improved and consistent representation learning. To fuse the predictions of all three heads efficiently, we introduce a parameter-free joint fusion module that dynamically balances the logits and fuses them to create panoptic-part segmentation. Our method is evaluated on the Cityscapes Panoptic Parts (CPP) and Pascal Panoptic Parts (PPP) datasets. For CPP, the PartPQ of our proposed model with joint fusion surpasses the previous state-of-the-art by 1.6 and 4.7 percentage points for all areas and segments with parts, respectively. On PPP, our joint fusion outperforms a model using the previous top-down merging strategy by 3.3 percentage points in PartPQ and 10.5 percentage points in PartPQ for partitionable classes.
• Abstract（参考訳）: 本稿では,共有エンコーダを用いたセマンティクス,インスタンス,部分セグメンテーションを生成し,それらを効果的に融合してpanoptic-partセグメンテーションを実現する新しいネットワークを提案する。 これら3つのセグメンテーション問題を統一することで、相互改善と一貫した表現学習が可能になる。 3つのヘッドの予測を効率的に融合するために,ロジットの動的バランスを保ち,それらを融合してpanoptic-partセグメンテーションを生成するパラメータフリージョイント融合モジュールを導入する。 本手法は,Cityscapes Panoptic Parts (CPP) と Pascal Panoptic Parts (PPP) のデータセットを用いて評価する。 CPPの場合, 関節融合モデルであるPartPQは, 全領域, 部分のそれぞれ1.6および4.7%の比率で, 従来の最先端モデルを上回っている。 pppでは,従来のトップダウンマージ戦略を用いたモデルよりも,partpqでは3.3ポイント,partpqでは10.5ポイント,パーティショナブルクラスでは10.5ポイントの融合が優れている。

関連論文リスト

• PCF-Lift: Panoptic Lifting by Probabilistic Contrastive Fusion [80.79938369319152]
  我々は,PCF(Probabilis-tic Contrastive Fusion)に基づくPCF-Liftという新しいパイプラインを設計する。 私たちのPCFリフトは、ScanNetデータセットやMessy Roomデータセット(シーンレベルのPQが4.4%改善)など、広く使用されているベンチマークにおいて、最先端の手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-10-14T16:06:59Z)
• More than the Sum of Its Parts: Ensembling Backbone Networks for Few-Shot Segmentation [49.090592800481616]
  異なるバックボーンから特徴を融合させることで、よりリッチな視覚的特徴を捉えることができるかどうかを検討する。 Independent Voting と Feature Fusion という2つのアンサンブル手法を提案し,比較する。 当社のアプローチは、ワンショットの学習シナリオに挑戦しても、従来の単一バックボーンPANetを標準ベンチマークで上回ります。
  論文  参考訳（メタデータ） (2024-02-09T18:01:15Z)
• JPPF: Multi-task Fusion for Consistent Panoptic-Part Segmentation [12.19926973291957]
  パーシャル・アウェア・パノプティック・セグメンテーション(Part-Aware Panoptic segmentation)は、複数のレベルの粒度でシーンの意味的理解を提供することを目的としたコンピュータビジョンの問題である。 本研究は,3つの分割を効果的に組み合わせてパン光学部分分割を得るJPPF(Joint Panoptic Part Fusion)について述べる。
  論文  参考訳（メタデータ） (2023-11-30T15:17:46Z)
• Compositor: Bottom-up Clustering and Compositing for Robust Part and Object Segmentation [16.48046112716597]
  関節部と物体のセグメンテーションに対する頑健なアプローチを提案する。 ボトムアップ方式で,画素,部分,オブジェクトレベルの埋め込みを含む階層的な特徴表現を構築した。 このボトムアップ相互作用は、より低いセマンティックレベルからより高いセマンティックレベルへの情報の統合に有効であることが示されている。
  論文  参考訳（メタデータ） (2023-06-12T20:12:02Z)
• Multi-body SE(3) Equivariance for Unsupervised Rigid Segmentation and Motion Estimation [49.56131393810713]
  本稿では、SE(3)同変アーキテクチャと、この課題に教師なしで取り組むためのトレーニング戦略を提案する。 本手法は,0.25Mパラメータと0.92G FLOPを用いて,モデル性能と計算効率を両立させる。
  論文  参考訳（メタデータ） (2023-06-08T22:55:32Z)
• PanopticPartFormer++: A Unified and Decoupled View for Panoptic Part Segmentation [153.76253697804225]
  Panoptic Part (PPS) は、パノプティクスと部分分割をひとつのタスクに統合する。 最初のエンドツーエンド統合フレームワークであるPanoptic-PartFormerを設計する。 私たちのモデルは強力なベースラインとして機能し、PSの将来の研究を支援することができます。
  論文  参考訳（メタデータ） (2023-01-03T05:30:56Z)
• Beyond the Prototype: Divide-and-conquer Proxies for Few-shot Segmentation [63.910211095033596]
  少ないショットのセグメンテーションは、少数の濃密なラベル付けされたサンプルのみを与えられた、目に見えないクラスオブジェクトをセグメンテーションすることを目的としている。 分割・分散の精神において, 単純かつ多目的な枠組みを提案する。 提案手法は、DCP(disvision-and-conquer proxies)と呼ばれるもので、適切な信頼性のある情報の開発を可能にする。
  論文  参考訳（メタデータ） (2022-04-21T06:21:14Z)
• Panoptic-PartFormer: Learning a Unified Model for Panoptic Part Segmentation [76.9420522112248]
  Panoptic Part (PPS) は、汎視的セグメンテーションと部分セグメンテーションをひとつのタスクに統合することを目的としている。 そこで我々はPanoptic-PartFormerというエンドツーエンド統合手法を設計した。 私たちのPanoptic-PartFormerは、Cityscapes PPSとPascal Context PPSデータセットの両方で、最先端の新たな結果を実現しています。
  論文  参考訳（メタデータ） (2022-04-10T11:16:45Z)
• Part-aware Panoptic Segmentation [3.342126234995932]
  Part-Aware Panoptic (PPS)は、複数の抽象化レベルでシーンを理解することを目的としている。 一般的に使われている2つのデータセット、CityscapesとPascal VOCに一貫したアノテーションを提供します。 パートアウェア・パノプティクス(Part-Aware Panoptic Quality, PartPQ)と呼ばれるPSSを評価するための単一の指標を提案する。
  論文  参考訳（メタデータ） (2021-06-11T12:48:07Z)

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。