論文の概要: Don't worry about mistakes! Glass Segmentation Network via Mistake Correction

• arxiv url: http://arxiv.org/abs/2304.10825v1
• Date: Fri, 21 Apr 2023 09:09:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-24 15:20:31.816681
• Title: Don't worry about mistakes! Glass Segmentation Network via Mistake Correction
• Title（参考訳）: 間違いを心配するな! 誤り訂正によるガラスセグメンテーションネットワーク
• Authors: Chengyu Zheng, Peng Li, Xiao-Ping Zhang, Xuequan Lu, Mingqiang Wei
• Abstract要約: 本研究では,ガラスSegNetと呼ばれる透明ガラスを検出するための新しいガラスセグメンテーションネットワークを提案する。 この人間の行動に動機づけられたGlassSegNetは、識別段階(IS)と修正段階(CS)の2つの重要な段階を利用する。
• 参考スコア（独自算出の注目度）: 25.806840278787607
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recall one time when we were in an unfamiliar mall. We might mistakenly think that there exists or does not exist a piece of glass in front of us. Such mistakes will remind us to walk more safely and freely at the same or a similar place next time. To absorb the human mistake correction wisdom, we propose a novel glass segmentation network to detect transparent glass, dubbed GlassSegNet. Motivated by this human behavior, GlassSegNet utilizes two key stages: the identification stage (IS) and the correction stage (CS). The IS is designed to simulate the detection procedure of human recognition for identifying transparent glass by global context and edge information. The CS then progressively refines the coarse prediction by correcting mistake regions based on gained experience. Extensive experiments show clear improvements of our GlassSegNet over thirty-four state-of-the-art methods on three benchmark datasets.
• Abstract（参考訳）: 私たちが不慣れなショッピングモールにいたとき、一度リコールします。 私たちは誤って、目の前にガラスがある、あるいは存在しないと考えるかもしれません。 このようなミスは、より安全で自由に、同じ場所や同じ場所で歩くことを思い出させるでしょう。 人間の誤り訂正知恵を吸収するために,ガラスセグネットと呼ばれる透明ガラスを検出する新しいガラスセグメンテーションネットワークを提案する。 この人間の行動によって動機づけられたGlassSegNetは、識別段階(IS)と修正段階(CS)の2つの重要な段階を利用する。 ISは、グローバルコンテキストとエッジ情報による透明ガラスの識別のために、人間の認識の検出手順をシミュレートするために設計されている。 そして、CSは、得られた経験に基づいて誤り領域を補正することにより、粗い予測を段階的に洗練する。 大規模な実験により、3つのベンチマークデータセット上での304の最先端メソッドに対するGlassSegNetの明確な改善が示された。

関連論文リスト

• Fourier Boundary Features Network with Wider Catchers for Glass Segmentation [12.465008923418406]
  反射面と透過ガラスのセグメンテーションを制約する新しい手法を提案する。 提案手法はガラス画像分割における最先端技術 (SOTA) 法と比較して, セグメンテーション性能が向上する。
  論文  参考訳（メタデータ） (2024-05-15T15:52:27Z)
• Glass Segmentation with Multi Scales and Primary Prediction Guiding [2.66512000865131]
  ガラスのような物体は、日々の生活の中でどこにでも見えます。 本稿では,FineRescaling and Merging Module (FRM) から構成されるMGNetを提案する。 高信頼セグメンテーションマップを作成するために,不確実性を考慮した新たな損失関数を用いてモデルを監督する。
  論文  参考訳（メタデータ） (2024-02-13T16:14:32Z)
• GEM: Boost Simple Network for Glass Surface Segmentation via Segment Anything Model and Data Synthesis [3.97478982737167]
  ガラス表面をより高精度に分割する方法を,Segment Anything (SAM) と Stable Diffusion の2つの視覚基盤モデルを用いて示す。 また,S-GSDと呼ばれる4つのスケールの拡散モデルを用いて,S-GSDと呼ばれる大規模なガラス表面検出データセットを提案する。 このデータセットは、転送学習のための実現可能な情報源である。合成データの規模は、転送学習に肯定的な影響を与える一方で、データの量が増えるにつれて徐々に改善される。
  論文  参考訳（メタデータ） (2024-01-27T03:36:47Z)
• Cyclic Test-Time Adaptation on Monocular Video for 3D Human Mesh Reconstruction [49.45139111746501]
  テスト画像からの2Dエビデンスに依存するネットワークを微調整するテスト時間適応により、いくつかの先行研究がドメインギャップ問題に対処している。 本稿では,HMRNet(Human Mesh Restruction Network)とMDNet(Human Motion Denoising Network)の2つのネットワークを循環的に適応するCycleAdaptを紹介する。 本フレームワークは,MDNetが生成した3D監視ターゲットを用いてHMRNetを完全に監視し,不完全な2Dエビデンスを補う。
  論文  参考訳（メタデータ） (2023-08-12T12:55:20Z)
• Large-Field Contextual Feature Learning for Glass Detection [44.222075782263175]
  ガラス表面を1枚のRGB画像から検出する重要な問題を提案する。 この問題に対処するため、我々は最初の大規模ガラス検出データセット(GDD)を構築した。 本稿では,GDNet-Bと呼ばれる新しいガラス検出ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-10T11:08:05Z)
• SSMTL++: Revisiting Self-Supervised Multi-Task Learning for Video Anomaly Detection [108.57862846523858]
  自己教師型マルチタスク学習フレームワークを再考し、元の手法にいくつかのアップデートを提案する。 マルチヘッド・セルフアテンション・モジュールを導入することで3次元畳み込みバックボーンを近代化する。 モデルをさらに改良するために,セグメントマップの予測などの自己指導型学習タスクについて検討した。
  論文  参考訳（メタデータ） (2022-07-16T19:25:41Z)
• GlassNet: Label Decoupling-based Three-stream Neural Network for Robust Image Glass Detection [1.1825946875790057]
  我々はラベルデカップリングを利用してラベル付き接地トラス(GT)マップを内部拡散マップと境界拡散マップに分解する。 新たに生成された2つの地図と協調したGTマップは、オブジェクト境界の不均衡分布を破り、ガラス検出品質が向上する。 マルチモーダル情報を統合するために,アテンションベースの境界認識機能であるMosaicモジュールを開発した。
  論文  参考訳（メタデータ） (2021-08-25T08:33:49Z)
• Delving into Localization Errors for Monocular 3D Object Detection [85.77319416168362]
  単眼画像から3Dバウンディングボックスを推定することは、自動運転に不可欠な要素です。 本研究では, 各サブタスクがもたらす影響を定量化し, 局所化誤差を求めることが, モノクロ3次元検出の抑制に欠かせない要因である。
  論文  参考訳（メタデータ） (2021-03-30T10:38:01Z)
• Enhanced Boundary Learning for Glass-like Object Segmentation [55.45473926510806]
  本稿では,拡張境界学習によるガラス状物体分割問題を解くことを目的とする。 特に,より微細な境界キューを生成するための改良された微分モジュールを最初に提案する。 境界に沿った大域的な形状表現をモデル化するために,エッジ対応のグラフ畳み込みネットワークモジュールを提案する。
  論文  参考訳（メタデータ） (2021-03-29T16:18:57Z)
• Rethinking Bottleneck Structure for Efficient Mobile Network Design [154.47657111869552]
  倒立残差ブロックは最近,モバイルネットワークのアーキテクチャ設計を支配している。 この構造を反転させ,より高次元でのアイデンティティマッピングと空間変換を行うサンドグラスブロックと呼ばれる新しいボトルネック設計を提案する。 ImageNet分類では、パラメータや計算量を増やすことなく、逆残差ブロックを砂時計ブロックに置き換えることによって、MobileNetV2よりも1.7%以上精度を向上することができる。
  論文  参考訳（メタデータ） (2020-07-05T08:55:26Z)

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。