論文の概要: MARS: Mask Attention Refinement with Sequential Quadtree Nodes for Car Damage Instance Segmentation

• arxiv url: http://arxiv.org/abs/2305.04743v2
• Date: Sun, 9 Jul 2023 04:38:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-11 18:24:23.738663
• Title: MARS: Mask Attention Refinement with Sequential Quadtree Nodes for Car Damage Instance Segmentation
• Title（参考訳）: MARS: 車両損傷事例セグメンテーションのためのシークエンシャル・クアドツリーノードを用いたマスク注意保持
• Authors: Teerapong Panboonyuen, Naphat Nithisopa, Panin Pienroj, Laphonchai Jirachuphun, Chaiwasut Watthanasirikrit, Naruepon Pornwiriyakul
• Abstract要約: 本稿では,自動車損傷事例分割のためのMARS(Mask Attention Refinement with Sequential quadtree node)を提案する。 実験により、MARSは3つの人気のあるベンチマークにおいて、最先端(SOTA)インスタンスセグメンテーション法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 0.5138012450471438
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Evaluating car damages from misfortune is critical to the car insurance industry. However, the accuracy is still insufficient for real-world applications since the deep learning network is not designed for car damage images as inputs, and its segmented masks are still very coarse. This paper presents MARS (Mask Attention Refinement with Sequential quadtree nodes) for car damage instance segmentation. Our MARS represents self-attention mechanisms to draw global dependencies between the sequential quadtree nodes layer and quadtree transformer to recalibrate channel weights and predict highly accurate instance masks. Our extensive experiments demonstrate that MARS outperforms state-of-the-art (SOTA) instance segmentation methods on three popular benchmarks such as Mask R-CNN [9], PointRend [13], and Mask Transfiner [12], by a large margin of +1.3 maskAP-based R50-FPN backbone and +2.3 maskAP-based R101-FPN backbone on Thai car-damage dataset. Our demos are available at https://github.com/kaopanboonyuen/MARS.
• Abstract（参考訳）: 自動車保険業界にとって不運による自動車被害の評価は重要である。 しかし、ディープラーニングネットワークは入力として車の損傷画像用に設計されておらず、セグメンテッドマスクはいまだに非常に粗いため、現実のアプリケーションでは精度が不十分である。 本稿では,車両損傷事例分割のためのmars(mask attentionfine with sequential quadtree node)を提案する。 我々のMARSは、シーケンシャルなクアッドツリーノード層とクアッドツリートランスフォーマーの間のグローバルな依存関係を引き出す自己注意機構を示し、チャネル重みを補正し、高精度なインスタンスマスクを予測する。 広範囲にわたる実験により,mars は +1.3 maskap ベースの r50-fpn バックボーンと +2.3 maskap ベースの r101-fpn バックボーンによって,マスキング r-cnn [9] や pointrend [13] や mask transfiner [12] といった3つの人気のあるベンチマークで,最先端 (sota) インスタンスのセグメンテーション法を上回っていることが証明された。 デモはhttps://github.com/kaopanboonyuen/MARS.comで公開しています。

関連論文リスト

• Bridge the Points: Graph-based Few-shot Segment Anything Semantically [79.1519244940518]
  プレトレーニング技術の最近の進歩により、視覚基礎モデルの能力が向上した。 最近の研究はSAMをFew-shot Semantic segmentation (FSS)に拡張している。 本稿では,グラフ解析に基づく簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-10-09T15:02:28Z)
• Rethinking Patch Dependence for Masked Autoencoders [92.37365660775171]
  マスク付きオートエンコーダ(MAE)の復号機構におけるパッチ間依存関係の再検討 我々は,クロスアテンション・マスケッド・オートエンコーダ(CrossMAE)という新しい事前学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-25T18:49:57Z)
• Mask Propagation for Efficient Video Semantic Segmentation [63.09523058489429]
  ビデオセマンティックベースライン劣化(VSS)は、ビデオシーケンス内の各ピクセルにセマンティックラベルを割り当てることを含む。 SSSSと呼ばれるVSSのための効率的なマスク伝搬フレームワークを提案する。 当社のフレームワークは,フレーム単位のMask2Formerと比較して最大4倍のFLOPを削減し,Cityscapes検証セット上では最大2% mIoUしか使用できない。
  論文  参考訳（メタデータ） (2023-10-29T09:55:28Z)
• Maskomaly:Zero-Shot Mask Anomaly Segmentation [39.414333208208475]
  Maskomaly と呼ばれる異常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。 マスクベースのセマンティックセグメンテーションネットワーク上に構築され、単純な推論時間後処理ステップを追加する。 SMIYC、RoadAnomaly、StreetHazardsの手法の上位結果を示す。
  論文  参考訳（メタデータ） (2023-05-26T14:28:09Z)
• HAISTA-NET: Human Assisted Instance Segmentation Through Attention [3.073046540587735]
  より正確な予測を可能にし,高品質なセグメンテーションマスクを生成する新しい手法を提案する。 我々の人間支援セグメンテーションモデルHAISTA-NETは、既存のStrong Mask R-CNNネットワークを拡張し、人間の特定部分境界を組み込む。 HAISTA-NETは,Mask R-CNN,Strong Mask R-CNN,Mask2Formerなどの最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-04T18:39:14Z)
• MP-Former: Mask-Piloted Transformer for Image Segmentation [16.620469868310288]
  Mask2Formerはデコーダ層間の一貫性のないマスク予測に悩まされている。 本手法では,マスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスのマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスをマスマスマスマストした。
  論文  参考訳（メタデータ） (2023-03-13T17:57:59Z)
• Vision Transformers Are Good Mask Auto-Labelers [100.72155356710914]
  視覚変換器はマスク自動標識器として優れていることを示す。 MALはボックスクロッピングされた画像を入力として取り、マスクの擬似ラベルを条件付きで生成する。 MAL生成マスクを使用してトレーニングされたインスタンスセグメンテーションモデルは、完全に教師されたマスクのパフォーマンスとほぼ一致する。
  論文  参考訳（メタデータ） (2023-01-10T18:59:00Z)
• Mask Transfiner for High-Quality Instance Segmentation [95.74244714914052]
  高品質で効率的なインスタンスセグメンテーションのためのMask Transfinerを提案する。 当社のアプローチでは, エラーが発生しやすい木ノードを検出し, エラーを並列に自己修正する。 私たちのコードとトレーニングされたモデルは、http://vis.xyz/pub/transfiner.comで公開されます。
  論文  参考訳（メタデータ） (2021-11-26T18:58:22Z)
• Mask is All You Need: Rethinking Mask R-CNN for Dense and Arbitrary-Shaped Scene Text Detection [11.390163890611246]
  Mask R-CNNは、任意の形のシーンテキストの検出とスポッティングのための強力なベースラインとして広く採用されている。 1つの提案には複数のインスタンスが存在する可能性があるため、マスクヘッドが異なるインスタンスを区別し、パフォーマンスを劣化させるのが難しくなる。 本稿では,各画素をテキストや非テキストに分類するのではなく,マスクヘッドがインスタンス全体の形状を予測することを学習する事例認識型マスク学習を提案する。
  論文  参考訳（メタデータ） (2021-09-08T04:32:29Z)
• SOLOv2: Dynamic and Fast Instance Segmentation [102.15325936477362]
  パフォーマンスの高いシンプルで直接的で高速なインスタンスセグメンテーションフレームワークを構築しています。 オブジェクトセグメンタのマスクヘッドを動的に学習することで、さらに一歩前進する。 簡単な直接インスタンス分割システムを示し,高速化と精度の両面において,いくつかの最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-23T09:44:21Z)

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。