論文の概要: Learning a Fast 3D Spectral Approach to Object Segmentation and Tracking over Space and Time

• arxiv url: http://arxiv.org/abs/2212.08058v1
• Date: Thu, 15 Dec 2022 18:59:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 17:18:24.602852
• Title: Learning a Fast 3D Spectral Approach to Object Segmentation and Tracking over Space and Time
• Title（参考訳）: 空間的・時間的物体セグメンテーションと追跡のための高速3次元スペクトルアプローチの学習
• Authors: Elena Burceanu and Marius Leordeanu
• Abstract要約: 時間と空間のスペクトルグラフクラスタリングとしてビデオオブジェクトセグメンテーションを用いる。 スペクトル解を近似するための3次元フィルタリングに基づく新しい,効率的な手法を提案する。 我々は、セグメンテーションタスクを超えて、オブジェクトトラッキングの領域にアプローチの定式化を拡大する。
• 参考スコア（独自算出の注目度）: 21.130594354306815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We pose video object segmentation as spectral graph clustering in space and time, with one graph node for each pixel and edges forming local space-time neighborhoods. We claim that the strongest cluster in this video graph represents the salient object. We start by introducing a novel and efficient method based on 3D filtering for approximating the spectral solution, as the principal eigenvector of the graph's adjacency matrix, without explicitly building the matrix. This key property allows us to have a fast parallel implementation on GPU, orders of magnitude faster than classical approaches for computing the eigenvector. Our motivation for a spectral space-time clustering approach, unique in video semantic segmentation literature, is that such clustering is dedicated to preserving object consistency over time, which we evaluate using our novel segmentation consistency measure. Further on, we show how to efficiently learn the solution over multiple input feature channels. Finally, we extend the formulation of our approach beyond the segmentation task, into the realm of object tracking. In extensive experiments we show significant improvements over top methods, as well as over powerful ensembles that combine them, achieving state-of-the-art on multiple benchmarks, both for tracking and segmentation.
• Abstract（参考訳）: 画像オブジェクトのセグメンテーションを、時間と空間のスペクトルグラフクラスタリングとして、各ピクセルとエッジの1つのグラフノードで局所的な時空間近傍を形成する。 このビデオグラフにおける最強のクラスタは、健全なオブジェクトを表しています。 まず、行列を明示的に構築することなく、グラフの隣接行列の主固有ベクトルとしてスペクトル解を近似するための3次元フィルタリングに基づく新しい効率的な手法を導入する。 このキー特性により、GPU上で高速な並列実装が可能となり、固有ベクトルを計算するための古典的なアプローチよりも桁違いに高速になります。 ビデオセグメンテーションにおけるスペクトル時空間クラスタリング手法の動機は、このようなクラスタリングが時間とともにオブジェクトの一貫性を保ち、新しいセグメンテーション整合性尺度を用いて評価することにある。 さらに,複数の入力特徴チャネル上で効率的に解を学習する方法を示す。 最後に、セグメント化タスクを超えて、オブジェクトトラッキングの領域にアプローチの定式化を拡張します。 広範な実験では、トップメソッドやそれらを組み合わせた強力なアンサンブルよりも大幅に改善され、トラッキングとセグメンテーションの両方において、複数のベンチマークで最先端を実現しています。

関連論文リスト

• Learning Spatial-Temporal Regularized Tensor Sparse RPCA for Background Subtraction [6.825970634402847]
  正確な背景抽出のための時空間正規化テンソルスパース RPCA アルゴリズムを提案する。 6つのパブリックなバックグラウンドサブトラクションデータセットで実験が行われる。
  論文  参考訳（メタデータ） (2023-09-27T11:21:31Z)
• Contrastive Lift: 3D Object Instance Segmentation by Slow-Fast Contrastive Fusion [110.84357383258818]
  本稿では,2次元セグメントを3次元に上げ,ニューラルネットワーク表現を用いて融合させる新しい手法を提案する。 このアプローチの中核は、高速なクラスタリング目的関数であり、多数のオブジェクトを持つシーンにスケーラブルで適しています。 我々のアプローチは、ScanNet、Hypersim、Replicaのデータセットからの挑戦的なシーンにおいて、最先端の状況よりも優れています。
  論文  参考訳（メタデータ） (2023-06-07T17:57:45Z)
• CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point Cloud Learning [81.85951026033787]
  この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。 また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。 提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
  論文  参考訳（メタデータ） (2022-07-31T21:39:15Z)
• Deep Spectral Methods: A Surprisingly Strong Baseline for Unsupervised Semantic Segmentation and Localization [98.46318529630109]
  画像分解をグラフ分割問題として再フレーミングすることで,従来のスペクトル分割法から着想を得た。 これらの固有ベクトルはすでにイメージを意味のあるセグメントに分解しており、シーン内のオブジェクトのローカライズに容易に利用できる。 データセットにまたがるこれらのセグメントに関連する機能をクラスタ化することで、明確に定義された、名前付き可能なリージョンを得ることができる。
  論文  参考訳（メタデータ） (2022-05-16T17:47:44Z)
• PointFlow: Flowing Semantics Through Points for Aerial Image Segmentation [96.76882806139251]
  本論文では,FPN(Feature Pyramid Network)フレームワークに基づく点親和性伝播モジュールであるPointFlowを提案する。 密接な親和性学習ではなく、隣接する特徴間の選択された点にスパース親和性マップを生成する。 3つの異なる空中セグメンテーションデータセットの実験結果から,提案手法は最先端の汎用セグメンテーション法よりも効率的かつ効率的であることが示唆された。
  論文  参考訳（メタデータ） (2021-03-11T09:42:32Z)
• Iterative Knowledge Exchange Between Deep Learning and Space-Time Spectral Clustering for Unsupervised Segmentation in Videos [17.47403549514259]
  映像における非監視物体分割のためのデュアルシステムを提案する。 最初のモジュールは、ビデオ内のオブジェクトを発見する時空グラフです。 第2のモジュールは、強力なオブジェクト機能を学ぶディープネットワークである。
  論文  参考訳（メタデータ） (2020-12-13T18:36:18Z)
• Learning Spatio-Appearance Memory Network for High-Performance Visual Tracking [79.80401607146987]
  既存のオブジェクトトラッキングは通常、フレーム間の視覚的ターゲットにマッチするバウンディングボックスベースのテンプレートを学習する。 本稿では,局所時間メモリネットワークを備え,正確な時空間対応を学習するセグメンテーションに基づくトラッキングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-09-21T08:12:02Z)
• Unsupervised Spatio-temporal Latent Feature Clustering for Multiple-object Tracking and Segmentation [0.5591659577198183]
  本稿では,時間的識別タスクを異種時間的クラスタリング問題として扱う戦略を提案する。 我々は、畳み込みと完全に接続されたオートエンコーダを用いて、セグメンテーションマスクと検出バウンディングボックスから識別特徴を学習する。 以上の結果から,本手法はいくつかの最先端手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-14T16:47:56Z)
• Revisiting Sequence-to-Sequence Video Object Segmentation with Multi-Task Loss and Skip-Memory [4.343892430915579]
  ビデオオブジェクト(VOS)は、視覚領域の活発な研究領域である。 現行のアプローチでは、特にオブジェクトが小さく、あるいは一時的に隠された場合、長いシーケンスでオブジェクトを失う。 我々は,エンコーダ・デコーダアーキテクチャとメモリモジュールを組み合わせたシーケンス・ツー・シーケンス・アプローチを構築し,シーケンシャルデータを活用する。
  論文  参考訳（メタデータ） (2020-04-25T15:38:09Z)
• Spatial Pyramid Based Graph Reasoning for Semantic Segmentation [67.47159595239798]
  セマンティックセグメンテーションタスクにグラフ畳み込みを適用し、改良されたラプラシアンを提案する。 グラフ推論は、空間ピラミッドとして構成された元の特徴空間で直接実行される。 計算とメモリのオーバーヘッドの利点で同等のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2020-03-23T12:28:07Z)

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。