論文の概要: Split, Merge, and Refine: Fitting Tight Bounding Boxes via Learned
Over-Segmentation and Iterative Search
- arxiv url: http://arxiv.org/abs/2304.04336v1
- Date: Mon, 10 Apr 2023 00:25:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-11 16:14:18.417027
- Title: Split, Merge, and Refine: Fitting Tight Bounding Boxes via Learned
Over-Segmentation and Iterative Search
- Title（参考訳）: 分割、マージ、洗練:学習過剰セグメンテーションと反復探索による厳密なバウンディングボックスの適合
- Authors: Chanhyeok Park, Minhyuk Sung
- Abstract要約: 本稿では,ニューラルネットワークによるオーバーセグメンテーションと反復的マージ・リファインメントによる3次元形状の密接な拘束箱の集合を見つけるための新しい枠組みを提案する。
実験により, 本手法のカバー範囲, 厳密度, バウンディングボックス数について検討した。
- 参考スコア（独自算出の注目度）: 13.04277098111396
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel framework for finding a set of tight bounding boxes of a
3D shape via neural-network-based over-segmentation and iterative merging and
refinement. Achieving tight bounding boxes of a shape while guaranteeing the
complete boundness is an essential task for efficient geometric operations and
unsupervised semantic part detection, but previous methods fail to achieve both
full coverage and tightness. Neural-network-based methods are not suitable for
these goals due to the non-differentiability of the objective, and also classic
iterative search methods suffer from their sensitivity to the initialization.
We demonstrate that the best integration of the learning-based and iterative
search methods can achieve the bounding boxes with both properties. We employ
an existing unsupervised segmentation network to \textbf{split} the shape and
obtain over-segmentation. Then, we apply hierarchical \textbf{merging} with our
novel tightness-aware merging and stopping criteria. To overcome the
sensitivity to the initialization, we also \textbf{refine} the bounding box
parameters in a game setup with a soft reward function promoting a wider
exploration. Lastly, we further improve the bounding boxes with a MCTS-based
multi-action space exploration. Our experimental results demonstrate the full
coverage, tightness, and the adequate number of bounding boxes of our method.
- Abstract（参考訳）: 本稿では,ニューラルネットワークを用いたオーバーセグメンテーションと反復的マージ・リファインメントにより,3次元形状のタイトなバウンディングボックスを探索する新しい枠組みを提案する。
完全境界を保証しつつ、形状のタイトバウンディングボックスを達成することは、効率的な幾何学的操作と教師なし意味部分検出にとって必須のタスクであるが、以前の方法では、完全なカバレッジとタイトネスを達成できなかった。
目的の非微分性のため、ニューラルネットワークベースの手法はこれらの目的には適さないが、古典的な反復探索法は初期化に対する感度に苦しむ。
学習ベースおよび反復探索手法の最良の統合は、両方の特性を持つバウンディングボックスを実現できることを示す。
我々は、既存の教師なしセグメンテーションネットワークを用いて、形状を \textbf{split} し、過剰セグメンテーションを得る。
次に、階層型 \textbf{merging} を新しいタイトネス対応マージおよび停止基準に適用する。
初期化に対する感度を克服するために、より広い探索を促進するソフト報酬機能を備えたゲームセットアップにおけるバウンディングボックスパラメータを \textbf{refine} する。
最後に、MCTSに基づくマルチアクション空間探索により、バウンディングボックスをさらに改善する。
実験により, 本手法のカバー範囲, 厳密度, バウンディングボックス数について検討した。
関連論文リスト
- Lidar Panoptic Segmentation and Tracking without Bells and Whistles [48.078270195629415]
ライダーセグメンテーションと追跡のための検出中心ネットワークを提案する。
私たちのネットワークのコアコンポーネントの1つは、オブジェクトインスタンス検出ブランチです。
提案手法を複数の3D/4D LPSベンチマークで評価し,我々のモデルがオープンソースモデル間で新たな最先端性を確立することを確認した。
論文 参考訳（メタデータ） (2023-10-19T04:44:43Z) - 3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D
Point Clouds [95.54285993019843]
本稿では,3次元点雲における複数物体の同時検出と追跡手法を提案する。
本モデルでは,複数のフレームを用いた時間情報を利用してオブジェクトを検出し,一つのネットワーク上で追跡する。
論文 参考訳（メタデータ） (2022-11-01T20:59:38Z) - Unsupervised Space Partitioning for Nearest Neighbor Search [6.516813715425121]
本稿では,個別の損失関数を用いて分割処理と学習段階を結合するエンドツーエンド学習フレームワークを提案する。
提案したソリューションの重要な利点は、データセットの高価な事前処理を必要としないことです。
提案手法は,最先端空間分割法とユビキタスK平均クラスタリング法に勝ることを示す。
論文 参考訳（メタデータ） (2022-06-16T11:17:03Z) - PointInst3D: Segmenting 3D Instances by Points [136.7261709896713]
本稿では,ポイント単位の予測方式で機能する,完全畳み込み型3Dポイントクラウドインスタンスセグメンテーション手法を提案する。
その成功の鍵は、各サンプルポイントに適切なターゲットを割り当てることにある。
提案手法はScanNetとS3DISのベンチマークで有望な結果が得られる。
論文 参考訳（メタデータ） (2022-04-25T02:41:46Z) - Object-Guided Instance Segmentation With Auxiliary Feature Refinement
for Biological Images [58.914034295184685]
サンプルセグメンテーションは、神経細胞相互作用の研究、植物の表現型化、細胞が薬物治療にどう反応するかを定量的に測定するなど、多くの生物学的応用において非常に重要である。
Boxベースのインスタンスセグメンテーションメソッドは、バウンディングボックスを介してオブジェクトをキャプチャし、各バウンディングボックス領域内で個々のセグメンテーションを実行する。
提案手法は,まずオブジェクトの中心点を検出し,そこから境界ボックスパラメータが予測される。
セグメンテーションブランチは、オブジェクト特徴をガイダンスとして再利用し、同じバウンディングボックス領域内の隣のオブジェクトからターゲットオブジェクトを分離する。
論文 参考訳（メタデータ） (2021-06-14T04:35:36Z) - Learning Salient Boundary Feature for Anchor-free Temporal Action
Localization [81.55295042558409]
時間的行動のローカライゼーションはビデオ理解において重要な課題である。
純粋にアンカーフリーな時間的定位法を初めて提案する。
このモデルには,(i)エンドツーエンドのトレーニング可能な基本予測器,(ii)サリエンシベースのリファインメントモジュール,(iii)いくつかの一貫性制約が含まれている。
論文 参考訳（メタデータ） (2021-03-24T12:28:32Z) - Shape-aware Semi-supervised 3D Semantic Segmentation for Medical Images [24.216869988183092]
本稿では,豊富なラベルのないデータを活用し,セグメント化出力に幾何学的形状制約を課す,形状認識型半教師付きセグメンテーション戦略を提案する。
物体表面のセマンティックセグメンテーションと符号付き距離マップDMを共同で予測するマルチタスクディープネットワークを開発した。
実験の結果,提案手法は形状推定を改良し,最先端の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） (2020-07-21T11:44:52Z) - Dive Deeper Into Box for Object Detection [49.923586776690115]
そこで我々は,より正確な位置決めを行うために,ボックスに深く潜り込むことができるボックス再構成手法(DDBNet)を提案する。
実験結果から,本手法はオブジェクト検出の最先端性能に寄与する可能性が示唆された。
論文 参考訳（メタデータ） (2020-07-15T07:49:05Z) - 1st Place Solutions for OpenImage2019 -- Object Detection and Instance
Segmentation [116.25081559037872]
この記事では,2つのチャンピオンチーム,検出トラックのMMfruit'とセグメンテーショントラックのMMfruitSeg'のソリューションについて,OpenImage Challenge 2019で紹介する。
一般に、対象検出器の場合、バックボーンの端の共有特徴は分類と回帰の両方に適さないことが知られている。
自己学習型最適特徴抽出によりオブジェクトの分類と回帰を分離するデカップリングヘッド(DH)を提案する。
論文 参考訳（メタデータ） (2020-03-17T06:45:07Z) - Towards Bounding-Box Free Panoptic Segmentation [16.4548904544277]
パン光学セグメンテーションのための新しいBunding-Box Free Network (BBFNet) を提案する。
BBFNetは、粗い流域レベルを予測し、境界が適切に定義された大きなインスタンス候補を検出するためにそれらを使用する。
境界が信頼性の低い小さなインスタンスでは、BBFNetはHoughの投票によってインスタンス中心を予測し、続いて平均シフトによって小さなオブジェクトを確実に検出する。
論文 参考訳（メタデータ） (2020-02-18T16:34:01Z)
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。