Fugu-MT 論文翻訳(概要): ProtoSeg: Interpretable Semantic Segmentation with Prototypical Parts

論文の概要: ProtoSeg: Interpretable Semantic Segmentation with Prototypical Parts

arxiv url: http://arxiv.org/abs/2301.12276v1
Date: Sat, 28 Jan 2023 19:14:32 GMT
ステータス: 処理完了
システム内更新日: 2023-01-31 18:00:24.252737
Title: ProtoSeg: Interpretable Semantic Segmentation with Prototypical Parts
Title（参考訳）: ProtoSeg: プロトタイプ部品を用いた解釈可能なセマンティックセグメンテーション
Authors: Miko{\l}aj Sacha, Dawid Rymarczyk, {\L}ukasz Struski, Jacek Tabor, Bartosz Zieli\'nski
Abstract要約: 本稿では,解釈可能なセマンティックイメージセグメンテーションの新しいモデルであるProtoSegを紹介する。ベースライン法に匹敵する精度を達成するため,プロトタイプ部品の機構を適応させる。 ProtoSegは標準的なセグメンテーションモデルとは対照的にセグメンテーションの概念を発見する。
参考スコア（独自算出の注目度）: 12.959270094693254
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce ProtoSeg, a novel model for interpretable semantic image segmentation, which constructs its predictions using similar patches from the training set. To achieve accuracy comparable to baseline methods, we adapt the mechanism of prototypical parts and introduce a diversity loss function that increases the variety of prototypes within each class. We show that ProtoSeg discovers semantic concepts, in contrast to standard segmentation models. Experiments conducted on Pascal VOC and Cityscapes datasets confirm the precision and transparency of the presented method.
Abstract（参考訳）: ProtoSegは意味的イメージセグメンテーションを解釈可能な新しいモデルであり、トレーニングセットから同様のパッチを用いて予測を構築する。ベースライン法に匹敵する精度を達成するため,プロトタイプ部品の機構に適応し,各クラスにおけるプロトタイプの多様性を増大させる多様性損失関数を導入する。 ProtoSegは標準的なセグメンテーションモデルとは対照的にセグメンテーションの概念を発見する。 Pascal VOCとCityscapesのデータセットを用いた実験により,提案手法の精度と透明性が確認された。

関連論文リスト

ProtoP-OD: Explainable Object Detection with Prototypical Parts [0.0]
本稿では、原型的局所特徴を構築し、オブジェクト検出に使用するトランスフォーマーの検出拡張を提案する。提案した拡張は、プロトタイプアクティベーションの離散化表現を演算するボトルネックモジュール、プロトタイプネックで構成されている。
論文参考訳（メタデータ） (2024-02-29T13:25:15Z)
Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
論文参考訳（メタデータ） (2023-06-16T16:30:39Z)
ContraFeat: Contrasting Deep Features for Semantic Discovery [102.4163768995288]
StyleGANは、アンタングル化セマンティックコントロールの強い可能性を示している。 StyleGANの既存の意味発見手法は、修正された潜在層を手作業で選択することで、良好な操作結果が得られる。本稿では,このプロセスを自動化し,最先端のセマンティック発見性能を実現するモデルを提案する。
論文参考訳（メタデータ） (2022-12-14T15:22:13Z)
Learning to Select Prototypical Parts for Interpretable Sequential Data Modeling [7.376829794171344]
本稿では,原型概念の線形結合を用いた自己説明選択モデル(SESM)を提案する。より良い解釈可能性を得るために,多様性,安定性,局所性など,複数の制約をトレーニング対象として設計する。
論文参考訳（メタデータ） (2022-12-07T01:42:47Z)
Semi-supervised Semantic Segmentation with Prototype-based Consistency Regularization [20.4183741427867]
半教師付きセマンティックセグメンテーションでは、制限された注釈付き画像からラベルなし画像へラベル情報を伝達する必要がある。このようなピクセルごとの予測タスクの課題は、クラス内の大きなバリエーションである。本稿では,ラベルの伝搬困難を緩和するために,クラス内特徴の分布を正規化するための新しい手法を提案する。
論文参考訳（メタデータ） (2022-10-10T01:38:01Z)
Diversified Multi-prototype Representation for Semi-supervised Segmentation [9.994508738317585]
この研究は、半教師付きセグメンテーションをプロトタイプベクトル相関に基づく密度予測問題と考える。ネットワークによって全てのプロトタイプベクトルが考慮されることを保証するために、2つの正規化戦略が適用される。 2つのベンチマーク医用セグメンテーションデータセットの実験結果から,アノテート画像が少ない場合にセグメンテーション性能を向上させる方法の有効性が明らかになった。
論文参考訳（メタデータ） (2021-11-16T17:33:58Z)
Dual Prototypical Contrastive Learning for Few-shot Semantic Segmentation [55.339405417090084]
本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-11-09T08:14:50Z)
Parameter Decoupling Strategy for Semi-supervised 3D Left Atrium Segmentation [0.0]
本稿では,パラメータ分離戦略に基づく半教師付きセグメンテーションモデルを提案する。提案手法は,Atrial Challengeデータセット上での最先端の半教師付き手法と競合する結果を得た。
論文参考訳（メタデータ） (2021-09-20T14:51:42Z)
Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
論文参考訳（メタデータ） (2021-05-14T06:58:44Z)
SCNet: Enhancing Few-Shot Semantic Segmentation by Self-Contrastive Background Prototypes [56.387647750094466]
Few-shot セマンティックセマンティックセマンティクスは,クエリイメージ内の新規クラスオブジェクトを,アノテーション付きの例で分割することを目的としている。先進的なソリューションのほとんどは、各ピクセルを学習した前景のプロトタイプに合わせることでセグメンテーションを行うメトリクス学習フレームワークを利用している。このフレームワークは、前景プロトタイプのみとのサンプルペアの不完全な構築のために偏った分類に苦しんでいます。
論文参考訳（メタデータ） (2021-04-19T11:21:47Z)
Part-aware Prototype Network for Few-shot Semantic Segmentation [50.581647306020095]
本稿では,プロトタイプ表現に基づく新規な数ショットセマンティックセマンティックセマンティクスフレームワークを提案する。私たちのキーとなるアイデアは、全体論的なクラス表現を、部分認識型プロトタイプのセットに分解することです。提案する部分認識型プロトタイプを生成・拡張する新しいグラフニューラルネットワークモデルを開発した。
論文参考訳（メタデータ） (2020-07-13T11:03:09Z)

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。