論文の概要: SIM: Semantic-aware Instance Mask Generation for Box-Supervised Instance
Segmentation
- arxiv url: http://arxiv.org/abs/2303.08578v1
- Date: Tue, 14 Mar 2023 05:59:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-16 13:50:38.417073
- Title: SIM: Semantic-aware Instance Mask Generation for Box-Supervised Instance
Segmentation
- Title(参考訳): SIM:Box Supervised Instance Segmentationのための意味認識型インスタンスマスク生成
- Authors: Ruihuang Li, Chenhang He, Yabin Zhang, Shuai Li, Liyi Chen, Lei Zhang
- Abstract要約: 本稿では,セマンティック・アウェア・インスタンス・マスク(SIM)生成パラダイムを開発することによって,新しいボックス管理型インスタンス・セグメンテーション手法を提案する。
セマンティック・アウェア・プロトタイプは,同じセマンティクスの異なるインスタンスを区別できないことを考慮し,自己補正機構を提案する。
実験結果から,提案手法が他の最先端手法よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 22.930296667684125
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Weakly supervised instance segmentation using only bounding box annotations
has recently attracted much research attention. Most of the current efforts
leverage low-level image features as extra supervision without explicitly
exploiting the high-level semantic information of the objects, which will
become ineffective when the foreground objects have similar appearances to the
background or other objects nearby. We propose a new box-supervised instance
segmentation approach by developing a Semantic-aware Instance Mask (SIM)
generation paradigm. Instead of heavily relying on local pair-wise affinities
among neighboring pixels, we construct a group of category-wise feature
centroids as prototypes to identify foreground objects and assign them
semantic-level pseudo labels. Considering that the semantic-aware prototypes
cannot distinguish different instances of the same semantics, we propose a
self-correction mechanism to rectify the falsely activated regions while
enhancing the correct ones. Furthermore, to handle the occlusions between
objects, we tailor the Copy-Paste operation for the weakly-supervised instance
segmentation task to augment challenging training data. Extensive experimental
results demonstrate the superiority of our proposed SIM approach over other
state-of-the-art methods. The source code: https://github.com/lslrh/SIM.
- Abstract(参考訳): 境界ボックスアノテーションのみを使用した弱教師付きインスタンスセグメンテーションは、最近多くの研究の注目を集めている。
現在の取り組みの多くは、オブジェクトの高レベルなセマンティック情報を明示的に活用することなく、低レベルの画像の特徴を余分な監視として活用している。
本論文では,semantic-aware instance mask (sim) 生成パラダイムを考案し,ボックス教師付きインスタンスセグメンテーション手法を提案する。
隣接画素間の局所的なペアワイズ親和性に強く依存する代わりに、前景オブジェクトを識別し、意味レベルの擬似ラベルを割り当てるプロトタイプとして、カテゴリワイズ機能センタロイドのグループを構築します。
セマンティック・アウェア・プロトタイプは同一意味論の異なるインスタンスを区別できないことを考慮し, 偽活性化領域を補正する自己補正機構を提案する。
さらに,オブジェクト間のオクルージョンを処理するために,弱教師付きインスタンスセグメンテーションタスクのコピーペースト操作を調整し,挑戦的なトレーニングデータを強化する。
実験結果から,提案手法が他の最先端手法よりも優れていることを示す。
ソースコードはhttps://github.com/lslrh/SIM。
関連論文リスト
- Semantics Meets Temporal Correspondence: Self-supervised Object-centric Learning in Videos [63.94040814459116]
自己教師付き手法は、高レベルの意味論と低レベルの時間対応の学習において顕著な進歩を見せている。
融合した意味特徴と対応地図の上に,意味認識型マスキングスロットアテンションを提案する。
我々は、時間的コヒーレントなオブジェクト中心表現を促進するために、セマンティックおよびインスタンスレベルの時間的一貫性を自己スーパービジョンとして採用する。
論文 参考訳(メタデータ) (2023-08-19T09:12:13Z) - Synthetic Instance Segmentation from Semantic Image Segmentation Masks [15.477053085267404]
我々は、Synthetic Instance(SISeg)と呼ばれる新しいパラダイムを提案する。
SISegインスタンスセグメンテーションの結果は、既存のセマンティックセグメンテーションモデルによって生成されたイメージマスクを活用する。
言い換えれば、提案モデルは余分な人力や高い計算コストを必要としない。
論文 参考訳(メタデータ) (2023-08-02T05:13:02Z) - Perceive, Excavate and Purify: A Novel Object Mining Framework for
Instance Segmentation [4.375012768093524]
本稿では,新しいオブジェクトマイニングフレームワークを提案する。
まず、サブネットを知覚するセマンティクスを導入し、ボトムアップから明らかなインスタンスに属するピクセルをキャプチャする。
このメカニズムでは、事前認識されたセマンティクスは分類と位置を持つ元のインスタンスと見なされ、これらの元のインスタンスを取り巻く識別不能なオブジェクトはマイニングされる。
論文 参考訳(メタデータ) (2023-04-18T08:47:03Z) - Saliency Guided Inter- and Intra-Class Relation Constraints for Weakly
Supervised Semantic Segmentation [66.87777732230884]
本稿では,活性化対象領域の拡大を支援するために,Salliency Guided Inter-およびIntra-Class Relation Constrained (I$2$CRC) フレームワークを提案する。
また,オブジェクトガイド付きラベルリファインメントモジュールを導入し,セグメンテーション予測と初期ラベルをフル活用し,優れた擬似ラベルを得る。
論文 参考訳(メタデータ) (2022-06-20T03:40:56Z) - Sparse Instance Activation for Real-Time Instance Segmentation [72.23597664935684]
本稿では,リアルタイムインスタンスセグメンテーションのための概念的・効率的・完全畳み込み型フレームワークを提案する。
SparseInstは非常に高速な推論速度を持ち、COCOベンチマークで40 FPSと37.9 APを達成した。
論文 参考訳(メタデータ) (2022-03-24T03:15:39Z) - Learning to Detect Instance-level Salient Objects Using Complementary
Image Labels [55.049347205603304]
本報告では,本問題に対する第1の弱教師付きアプローチを提案する。
本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
論文 参考訳(メタデータ) (2021-11-19T10:15:22Z) - SOLO: A Simple Framework for Instance Segmentation [84.00519148562606]
インスタンスカテゴリ"は、インスタンスの場所に応じて、インスタンス内の各ピクセルにカテゴリを割り当てる。
SOLO"は、強力なパフォーマンスを備えたインスタンスセグメンテーションのための、シンプルで、直接的で、高速なフレームワークです。
提案手法は, 高速化と精度の両面から, 実例分割の最先端結果を実現する。
論文 参考訳(メタデータ) (2021-06-30T09:56:54Z) - Unsupervised Semantic Segmentation by Contrasting Object Mask Proposals [78.12377360145078]
画素埋め込みを学習するために、コントラスト最適化の目的として、予め決められた事前を取り入れた新しい2段階フレームワークを導入する。
これは、プロキシタスクやエンドツーエンドのクラスタリングに依存する既存の作業から大きく逸脱している。
特に、PASCALでラベル付き例の1%だけを用いて学習した表現を微調整すると、7.1% mIoUで教師付き ImageNet の事前トレーニングを上回ります。
論文 参考訳(メタデータ) (2021-02-11T18:54:47Z)
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。