論文の概要: Training Semantic Segmentation on Heterogeneous Datasets
- arxiv url: http://arxiv.org/abs/2301.07634v1
- Date: Wed, 18 Jan 2023 16:22:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-19 15:24:21.215904
- Title: Training Semantic Segmentation on Heterogeneous Datasets
- Title(参考訳): 不均一データセットにおける意味セグメンテーションの訓練
- Authors: Panagiotis Meletis, Gijs Dubbelman
- Abstract要約: 我々は,従来の単一データセットの均質学習を超えてセマンティックセグメンテーションを探求する。
単一ネットワークトレーニングパイプラインに異種データセットを組み込んだ統合フレームワークを提案する。
我々のフレームワークは、まず異種データセットをキュレートし、それらを共通のフォーマットにし、その後、それらすべてに単一のバックボーンFCNを同時に訓練する。
- 参考スコア(独自算出の注目度): 5.584060970507507
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We explore semantic segmentation beyond the conventional, single-dataset
homogeneous training and bring forward the problem of Heterogeneous Training of
Semantic Segmentation (HTSS). HTSS involves simultaneous training on multiple
heterogeneous datasets, i.e. datasets with conflicting label spaces and
different (weak) annotation types from the perspective of semantic
segmentation. The HTSS formulation exposes deep networks to a larger and
previously unexplored aggregation of information that can potentially enhance
semantic segmentation in three directions: i) performance: increased
segmentation metrics on seen datasets, ii) generalization: improved
segmentation metrics on unseen datasets, and iii) knowledgeability: increased
number of recognizable semantic concepts. To research these benefits of HTSS,
we propose a unified framework, that incorporates heterogeneous datasets in a
single-network training pipeline following the established FCN standard. Our
framework first curates heterogeneous datasets to bring them into a common
format and then trains a single-backbone FCN on all of them simultaneously. To
achieve this, it transforms weak annotations, which are incompatible with
semantic segmentation, to per-pixel labels, and hierarchizes their label spaces
into a universal taxonomy. The trained HTSS models demonstrate performance and
generalization gains over a wide range of datasets and extend the inference
label space entailing hundreds of semantic classes.
- Abstract(参考訳): 我々は,従来の単一データセットの均質トレーニングを超えてセマンティックセグメンテーションを探求し,セマンティックセグメンテーションの不均質トレーニング(HTSS)の課題を推し進める。
HTSSは、複数の異種データセット、すなわち競合するラベル空間を持つデータセットと、セマンティックセグメンテーションの観点から異なる(弱い)アノテーションタイプを同時にトレーニングする。
HTSSの定式化は,3方向のセマンティックセグメンテーションを強化する可能性のある,より大きく,これまで探索されていない情報の集約にディープネットワークを公開する。
i) パフォーマンス: 見たデータセットのセグメンテーションメトリクスの増加。
二 一般化:未発見データセットのセグメンテーションメトリクスの改善、及び
三 知識可能性:認識可能な意味概念の数の増加。
これらのhtssの利点を研究するために,fcn標準に準拠した単一ネットワークトレーニングパイプラインにヘテロジニアスデータセットを組み込む統一フレームワークを提案する。
当社のフレームワークは、まず異種データセットをキュレートして共通のフォーマットにし、その後、すべてのデータに対してシングルバックボーンのfcnを同時にトレーニングします。
これを達成するために、意味セグメンテーションと相容れない弱いアノテーションをピクセル単位のラベルに変換し、ラベル空間を普遍的な分類に階層化する。
トレーニングされたHTSSモデルは、幅広いデータセットのパフォーマンス向上と一般化を示し、数百のセマンティッククラスを含む推論ラベル空間を拡張する。
関連論文リスト
- Frequency-based Matcher for Long-tailed Semantic Segmentation [22.199174076366003]
我々は、比較的未探索なタスク設定、長い尾のセマンティックセマンティックセグメンテーション(LTSS)に焦点を当てる。
本稿では,セマンティックセグメンテーション手法と長鎖解の性能を示すために,二値評価システムを提案し,LTSSベンチマークを構築した。
また,1対1のマッチングによって過剰な圧縮問題を解決する周波数ベースのマーカであるLTSSを改善するトランスフォーマーベースのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-06-06T09:57:56Z) - Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation
for autonomous vehicles [63.20765930558542]
3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。
そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。
ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
論文 参考訳(メタデータ) (2023-02-16T13:41:19Z) - Open-world Semantic Segmentation via Contrasting and Clustering
Vision-Language Embedding [95.78002228538841]
本研究では,様々なオープンワールドカテゴリのセマンティックオブジェクトを高密度アノテーションを使わずにセマンティックオブジェクトのセマンティックオブジェクトのセマンティック化を学習するための,新しいオープンワールドセマンティックセマンティックセマンティックセマンティクスパイプラインを提案する。
提案手法は任意のカテゴリのオブジェクトを直接分割し、3つのベンチマークデータセット上でデータラベリングを必要とするゼロショットセグメンテーション法より優れている。
論文 参考訳(メタデータ) (2022-07-18T09:20:04Z) - Automatic universal taxonomies for multi-domain semantic segmentation [1.4364491422470593]
複数のデータセットに対するセマンティックセグメンテーションモデルのトレーニングは、コンピュータビジョンコミュニティに最近多くの関心を呼んだ。
確立されたデータセットには 互いに互換性のないラベルがあります 野生の原理的推論を妨害します
我々は、反復的データセット統合による普遍的な構築によってこの問題に対処する。
論文 参考訳(メタデータ) (2022-07-18T08:53:17Z) - SemAffiNet: Semantic-Affine Transformation for Point Cloud Segmentation [94.11915008006483]
ポイントクラウドセマンティックセグメンテーションのためのSemAffiNetを提案する。
我々はScanNetV2とNYUv2データセットについて広範な実験を行った。
論文 参考訳(メタデータ) (2022-05-26T17:00:23Z) - Learning Semantic Segmentation from Multiple Datasets with Label Shifts [101.24334184653355]
本論文では,ラベル空間が異なる複数のデータセットを対象としたモデルの自動学習手法であるUniSegを提案する。
具体的には,ラベルの相反と共起を考慮に入れた2つの損失を提案する。
論文 参考訳(メタデータ) (2022-02-28T18:55:19Z) - Scaling up Multi-domain Semantic Segmentation with Sentence Embeddings [81.09026586111811]
ゼロショット設定に適用した場合、最先端の教師付き性能を実現するセマンティックセマンティックセマンティクスへのアプローチを提案する。
これは各クラスラベルを、クラスを記述する短い段落のベクトル値の埋め込みに置き換えることによって達成される。
結果として得られた200万以上の画像の統合セマンティックセグメンテーションデータセットは、7つのベンチマークデータセット上の最先端の教師付きメソッドと同等のパフォーマンスを達成するモデルをトレーニングすることができる。
論文 参考訳(メタデータ) (2022-02-04T07:19:09Z) - Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with
Self-Supervised Depth Estimation [94.16816278191477]
本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。
ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。
提案したモデルをCityscapesデータセット上で検証する。
論文 参考訳(メタデータ) (2021-08-28T01:33:38Z)
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。