論文の概要: Maskomaly:Zero-Shot Mask Anomaly Segmentation
- arxiv url: http://arxiv.org/abs/2305.16972v2
- Date: Fri, 25 Aug 2023 23:28:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 23:35:36.628397
- Title: Maskomaly:Zero-Shot Mask Anomaly Segmentation
- Title(参考訳): 仮面:ゼロショットマスク異常分割
- Authors: Jan Ackermann, Christos Sakaridis and Fisher Yu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 39.414333208208475
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We present a simple and practical framework for anomaly segmentation called
Maskomaly. It builds upon mask-based standard semantic segmentation networks by
adding a simple inference-time post-processing step which leverages the raw
mask outputs of such networks. Maskomaly does not require additional training
and only adds a small computational overhead to inference. Most importantly, it
does not require anomalous data at training. We show top results for our method
on SMIYC, RoadAnomaly, and StreetHazards. On the most central benchmark, SMIYC,
Maskomaly outperforms all directly comparable approaches. Further, we introduce
a novel metric that benefits the development of robust anomaly segmentation
methods and demonstrate its informativeness on RoadAnomaly.
- Abstract(参考訳): マスコマリーと呼ばれる異常分割のための単純かつ実用的な枠組みを提案する。
マスクベースの標準的なセマンティックセグメンテーションネットワークを構築し、そのようなネットワークの生マスク出力を利用する単純な推論時間後処理ステップを追加する。
Maskomalyは追加のトレーニングを必要とせず、推論に小さな計算オーバーヘッドを追加するだけである。
最も重要なのは、トレーニング時に異常なデータを必要としないことだ。
smiyc, roadanomaly, streethazardにおいて,提案手法の上位結果を示す。
最も中心的なベンチマークであるSMIYCでは、Maskomalyが直接的に比較可能なアプローチよりも優れている。
さらに,ロバストな異常セグメンテーション手法の開発に資する新しい指標を導入し,その道路上の情報性を示す。
関連論文リスト
- Mask-Adapter: The Devil is in the Masks for Open-Vocabulary Segmentation [39.73550543404763]
オープン語彙セグメンテーションにおいてこれらの課題に対処するための単純かつ効果的な手法であるMask-Adapterを導入する。
提案手法では,提案マスクを直接使用するのに対し,提案マスクから意味的アクティベーションマップを抽出する。
Mask-Adapterは、マスクプーリングをプラグ・アンド・プレイ方式で、オープン語彙セグメンテーション手法にシームレスに統合する。
論文 参考訳(メタデータ) (2024-12-05T17:42:37Z) - ColorMAE: Exploring data-independent masking strategies in Masked AutoEncoders [53.3185750528969]
Masked AutoEncoders (MAE)は、堅牢な自己管理フレームワークとして登場した。
データに依存しないColorMAEという手法を導入し、ランダムノイズをフィルタすることで異なる二元マスクパターンを生成する。
ランダムマスキングと比較して,下流タスクにおける戦略の優位性を示す。
論文 参考訳(メタデータ) (2024-07-17T22:04:00Z) - Unmasking Anomalies in Road-Scene Segmentation [18.253109627901566]
異常セグメンテーションはアプリケーションを駆動するための重要なタスクである。
本稿では,画素単位の分類からマスク分類へのシフトによるパラダイム変化を提案する。
Mask2Anomalyはマスク分類アーキテクチャに異常検出手法を統合する可能性を示した。
論文 参考訳(メタデータ) (2023-07-25T08:23:10Z) - 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) - Per-Pixel Classification is Not All You Need for Semantic Segmentation [184.2905747595058]
マスク分類はセマンティックレベルのセグメンテーションタスクとインスタンスレベルのセグメンテーションタスクの両方を解くのに十分一般的である。
マスクの集合を予測する単純なマスク分類モデルであるMaskFormerを提案する。
提案手法は,現在の最先端セマンティック(ADE20Kでは55.6 mIoU)とパノプティックセグメンテーション(COCOでは52.7 PQ)モデルの両方に優れる。
論文 参考訳(メタデータ) (2021-07-13T17:59:50Z) - Mask Encoding for Single Shot Instance Segmentation [97.99956029224622]
マスクエンコーディングに基づくインスタンスセグメンテーション(MEInst)と呼ばれる単純なシングルショットインスタンスセグメンテーションフレームワークを提案する。
二次元マスクを直接予測する代わりに、MEInstはそれをコンパクトで固定的な表現ベクトルに蒸留する。
よりシンプルでフレキシブルな一段階のインスタンスセグメンテーション手法は、競合性能も達成できることを示す。
論文 参考訳(メタデータ) (2020-03-26T02:51:17Z) - BlendMask: Top-Down Meets Bottom-Up for Instance Segmentation [103.74690082121079]
本研究では,インスタンスレベルの情報とセマンティックな情報と,低レベルの微細な粒度を効果的に組み合わせることで,マスク予測の改善を実現する。
私たちの主な貢献は、トップダウンとボトムアップの両方のインスタンスセグメンテーションアプローチからインスピレーションを得たブレンダーモジュールです。
BlendMaskは、非常に少ないチャネルで、ピクセルあたりの高密度な位置感受性インスタンス機能を効果的に予測し、単一の畳み込み層で各インスタンスの注意マップを学習することができる。
論文 参考訳(メタデータ) (2020-01-02T03:30:17Z)
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。