論文の概要: RFENet: Towards Reciprocal Feature Evolution for Glass Segmentation

• arxiv url: http://arxiv.org/abs/2307.06099v1
• Date: Wed, 12 Jul 2023 11:45:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-13 13:21:07.136090
• Title: RFENet: Towards Reciprocal Feature Evolution for Glass Segmentation
• Title（参考訳）: RFENet:ガラスセグメンテーションの相互特徴進化を目指して
• Authors: Ke Fan, Changan Wang, Yabiao Wang, Chengjie Wang, Ran Yi and Lizhuang Ma
• Abstract要約: 本稿では,ガラス状オブジェクトセグメンテーションのためのReciprocal Feature Evolution Network (RFENet)を提案する。 RFENetは3つの人気のあるパブリックデータセットで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 44.45402982171703
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Glass-like objects are widespread in daily life but remain intractable to be segmented for most existing methods. The transparent property makes it difficult to be distinguished from background, while the tiny separation boundary further impedes the acquisition of their exact contour. In this paper, by revealing the key co-evolution demand of semantic and boundary learning, we propose a Selective Mutual Evolution (SME) module to enable the reciprocal feature learning between them. Then to exploit the global shape context, we propose a Structurally Attentive Refinement (SAR) module to conduct a fine-grained feature refinement for those ambiguous points around the boundary. Finally, to further utilize the multi-scale representation, we integrate the above two modules into a cascaded structure and then introduce a Reciprocal Feature Evolution Network (RFENet) for effective glass-like object segmentation. Extensive experiments demonstrate that our RFENet achieves state-of-the-art performance on three popular public datasets.
• Abstract（参考訳）: ガラスのような物体は日常生活で広く見られるが、既存の手法では分節化できない。 透明な性質は背景と区別することが難しく、小さな分離境界は正確な輪郭の取得をさらに妨げている。 本稿では,セマンティクスと境界学習の重要な共進化要求を明らかにすることにより,それらの相互機能学習を可能にする選択的相互進化(sme)モジュールを提案する。 そこで我々は,大域的な形状のコンテキストを活用するために,境界付近の不明瞭な点に対して,微細な特徴改善を行うためのSAR (Structurely Attentive Refinement) モジュールを提案する。 最後に, マルチスケール表現をさらに活用するために, 上記の2つのモジュールをカスケード構造に統合し, 効果的なガラス状オブジェクトセグメンテーションのための相互特徴進化ネットワーク (rfenet) を導入する。 大規模な実験により、我々のRFENetは3つの人気のある公開データセットで最先端のパフォーマンスを達成した。

関連論文リスト

• FANet: Feature Amplification Network for Semantic Segmentation in Cluttered Background [9.970265640589966]
  既存のディープラーニングアプローチでは、複雑なシナリオに存在するセマンティックセグメンテーションにおいて重要なセマンティックな方法が残されている。 マルチステージ機能拡張モジュールを用いて意味情報を組み込んだバックボーンネットワークとして機能増幅ネットワーク(FANet)を提案する。 実験の結果,既存の手法と比較して最先端の性能が示された。
  論文  参考訳（メタデータ） (2024-07-12T15:57:52Z)
• 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)
• RefSAM: Efficiently Adapting Segmenting Anything Model for Referring Video Object Segmentation [53.4319652364256]
  本稿では,ビデオオブジェクトのセグメンテーションを参照するためのSAMの可能性を探るRefSAMモデルを提案する。 提案手法は,Cross-RValModalを用いることで,モダリティ学習を向上させるためにオリジナルのSAMモデルに適応する。 我々は、言語と視覚の特徴を効果的に調整し、融合させるために、パラメータ効率のチューニング戦略を採用している。
  論文  参考訳（メタデータ） (2023-07-03T13:21:58Z)
• USER: Unified Semantic Enhancement with Momentum Contrast for Image-Text Retrieval [115.28586222748478]
  Image-Text Retrieval (ITR) は、与えられたクエリに意味のあるターゲットインスタンスを、他のモダリティから検索することを目的としている。 既存のアプローチは通常、2つの大きな制限に悩まされる。
  論文  参考訳（メタデータ） (2023-01-17T12:42:58Z)
• Part-guided Relational Transformers for Fine-grained Visual Recognition [59.20531172172135]
  識別的特徴を学習し,特徴変換モジュールとの相関関係を探索するフレームワークを提案する。 提案手法は,3-of-the-levelオブジェクト認識において,部分ブランチの追加に頼らず,最先端の性能に達する。
  論文  参考訳（メタデータ） (2022-12-28T03:45:56Z)
• Fully Self-Supervised Learning for Semantic Segmentation [46.6602159197283]
  セマンティックセグメンテーション(FS4)のための完全自己教師型フレームワークを提案する。 自己スーパービジョンのためのグローバルなセマンティック知識をフル活用したセマンティックセマンティックセマンティクスのためのブートストラップ付きトレーニングスキームを提案する。 大規模COCO-Stuffデータセットを用いて本手法の評価を行い,対象物と対象物の両方において7.19mIoUの改善を実現した。
  論文  参考訳（メタデータ） (2022-02-24T09:38:22Z)
• Full-Duplex Strategy for Video Object Segmentation [141.43983376262815]
  Full- Strategy Network (FSNet)はビデオオブジェクトセグメンテーション(VOS)のための新しいフレームワークである 我々のFSNetは、融合復号ステージの前に、クロスモーダルな機能パス(すなわち、送信と受信)を同時に実行します。 我々のFSNetは、VOSとビデオの有能なオブジェクト検出タスクの両方において、他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） (2021-08-06T14:50:50Z)
• 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)

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。