論文の概要: WiCo: Win-win Cooperation of Bottom-up and Top-down Referring Image Segmentation

• arxiv url: http://arxiv.org/abs/2306.10750v1
• Date: Mon, 19 Jun 2023 07:49:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 18:45:37.787321
• Title: WiCo: Win-win Cooperation of Bottom-up and Top-down Referring Image Segmentation
• Title（参考訳）: WiCo:ボトムアップとトップダウンによる画像セグメンテーションの勝利
• Authors: Zesen Cheng, Peng Jin, Hao Li, Kehan Li, Siheng Li, Xiangyang Ji, Chang Liu and Jie Chen
• Abstract要約: We build Win-win Cooperation (WiCo) to exploit complementary nature of two types of method on both interaction and integration aspects。 当社のWiCoでは、いくつかの顕著なトップダウンとボトムアップの組み合わせが、3つの一般的なデータセットに対して、合理的な追加コストで大幅な改善を実現しています。
• 参考スコア（独自算出の注目度）: 37.53063869243558
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The top-down and bottom-up methods are two mainstreams of referring segmentation, while both methods have their own intrinsic weaknesses. Top-down methods are chiefly disturbed by Polar Negative (PN) errors owing to the lack of fine-grained cross-modal alignment. Bottom-up methods are mainly perturbed by Inferior Positive (IP) errors due to the lack of prior object information. Nevertheless, we discover that two types of methods are highly complementary for restraining respective weaknesses but the direct average combination leads to harmful interference. In this context, we build Win-win Cooperation (WiCo) to exploit complementary nature of two types of methods on both interaction and integration aspects for achieving a win-win improvement. For the interaction aspect, Complementary Feature Interaction (CFI) provides fine-grained information to top-down branch and introduces prior object information to bottom-up branch for complementary feature enhancement. For the integration aspect, Gaussian Scoring Integration (GSI) models the gaussian performance distributions of two branches and weightedly integrates results by sampling confident scores from the distributions. With our WiCo, several prominent top-down and bottom-up combinations achieve remarkable improvements on three common datasets with reasonable extra costs, which justifies effectiveness and generality of our method.
• Abstract（参考訳）: トップダウンメソッドとボトムアップメソッドはセグメンテーションを参照する2つの主流であるが、どちらのメソッドも固有の弱点を持っている。 トップダウン法は、細粒度のクロスモーダルアライメントの欠如により、主に極性陰性(pn)エラーによって妨げられる。 ボトムアップ法は主に、先行するオブジェクト情報の欠如による劣悪な正(ip)エラーによって引き起こされる。 それにもかかわらず、2種類の手法がそれぞれの弱点を抑えるのに非常に相補的であるが、直接平均の組み合わせは有害な干渉を引き起こす。 この文脈で、我々はWin-win Cooperation (WiCo)を構築し、Win-win改善を達成するために相互作用と統合の両面において2種類のメソッドの相補的な性質を利用する。 インタラクションの面では、補完的機能インタラクション(Complementary Feature Interaction, CFI)は、トップダウンブランチにきめ細かい情報を提供し、補完的機能拡張のためにボトムアップブランチに事前オブジェクト情報を導入する。 統合面では、gaussian scoring integration (gsi) が2つのブランチのガウスのパフォーマンス分布をモデル化し、分布から自信のあるスコアをサンプリングすることで結果を重み付け統合する。 当社のWiCoでは、いくつかの顕著なトップダウンとボトムアップの組み合わせが、合理的な余分なコストで3つの一般的なデータセットに対して顕著な改善を実現しています。

関連論文リスト

• Byzantine-Robust Gossip: Insights from a Dual Approach [15.69624587054777]
  本稿では,デバイス同士が直接通信する分散環境でのビザンチン耐性アルゴリズムについて検討する。 平均的コンセンサス(英語版)の特別な場合において、グローバルおよび局所的なクリッピングルールの両方を厳密な収束保証とともに提供する。
  論文  参考訳（メタデータ） (2024-05-06T13:22:54Z)
• Unifying Feature and Cost Aggregation with Transformers for Semantic and Visual Correspondence [51.54175067684008]
  本稿では,高密度マッチングタスク用に設計されたTransformerベースの積分機能とコスト集約ネットワークを提案する。 まず, 特徴集約とコスト集約が異なる特徴を示し, 双方の集約プロセスの司法的利用から生じる実質的な利益の可能性を明らかにした。 本フレームワークは意味マッチングのための標準ベンチマークで評価され,また幾何マッチングにも適用された。
  論文  参考訳（メタデータ） (2024-03-17T07:02:55Z)
• A Robust Negative Learning Approach to Partial Domain Adaptation Using Source Prototypes [0.8895157045883034]
  この研究は、負の転送問題を緩和する堅牢な部分的ドメイン適応(PDA)フレームワークを提案する。 それは多様で相補的なラベルフィードバックを含み、誤ったフィードバックの効果を緩和し、擬似ラベル改善を促進する。 我々は,部分領域適応タスクを網羅するアブレーション解析を含む包括的実験を行った。
  論文  参考訳（メタデータ） (2023-09-07T07:26:27Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• Cooperative Distribution Alignment via JSD Upper Bound [7.071749623370137]
  教師なし分布アライメントは、2つ以上のソース分布を共有整列分布にマッピングする変換を推定する。 このタスクには、生成モデリング、教師なしドメイン適応、社会的に認識された学習など、多くの応用がある。 我々は,従来のフローベースアプローチを,単一の非逆数フレームワークで統一し,一般化することを提案する。
  論文  参考訳（メタデータ） (2022-07-05T20:09:03Z)
• Robust Upper Bounds for Adversarial Training [4.971729553254843]
  敵の損失の上限を最小化することで、敵の訓練に新たなアプローチを導入する。 このバウンダリは、各レイヤの別々のバウンダリではなく、ネットワークの全体的拡張に基づいている。 提案手法により2つの新しい手法を導出する。
  論文  参考訳（メタデータ） (2021-12-17T01:52:35Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Light Field Saliency Detection with Dual Local Graph Learning andReciprocative Guidance [148.9832328803202]
  我々は、グラフネットワークを介して焦点スタック内のインフォメーション融合をモデル化する。 我々は、全焦点パタンを用いて焦点スタック融合過程をガイドする新しいデュアルグラフモデルを構築した。
  論文  参考訳（メタデータ） (2021-10-02T00:54:39Z)
• Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
  現在の逆順応法は、クロスドメインの特徴を整列させようとする。 1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。 本稿では,対向構造の学習を統一することで,半教師付きドメイン適応のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-06T22:58:20Z)

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。