論文の概要: Dense Affinity Matching for Few-Shot Segmentation

• arxiv url: http://arxiv.org/abs/2307.08434v1
• Date: Mon, 17 Jul 2023 12:27:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-18 13:23:54.112492
• Title: Dense Affinity Matching for Few-Shot Segmentation
• Title（参考訳）: Few-ShotセグメンテーションのためのDense Affinity Matching
• Authors: Hao Chen and Yonghan Dong and Zheming Lu and Yunlong Yu and Yingming Li and Jungong Han and Zhongfei Zhang
• Abstract要約: Few-Shot (FSS) は、新しいクラスイメージをいくつかのサンプルで分割することを目的としている。 本稿では,サポートクエリ間の相互作用を生かした密接な親和性マッチングフレームワークを提案する。 我々のフレームワークは0.68万のパラメータしか持たない異なる設定で非常に競争力のある性能を示す。
• 参考スコア（独自算出の注目度）: 83.65203917246745
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-Shot Segmentation (FSS) aims to segment the novel class images with a few annotated samples. In this paper, we propose a dense affinity matching (DAM) framework to exploit the support-query interaction by densely capturing both the pixel-to-pixel and pixel-to-patch relations in each support-query pair with the bidirectional 3D convolutions. Different from the existing methods that remove the support background, we design a hysteretic spatial filtering module (HSFM) to filter the background-related query features and retain the foreground-related query features with the assistance of the support background, which is beneficial for eliminating interference objects in the query background. We comprehensively evaluate our DAM on ten benchmarks under cross-category, cross-dataset, and cross-domain FSS tasks. Experimental results demonstrate that DAM performs very competitively under different settings with only 0.68M parameters, especially under cross-domain FSS tasks, showing its effectiveness and efficiency.
• Abstract（参考訳）: Few-Shot Segmentation (FSS)は、新しいクラスイメージを注釈付きサンプルで分割することを目的としている。 本稿では,両方向の3D畳み込みに対して,画素間・画素間関係と画素間関係を濃密に捉えることで,サポートクエリ間の相互作用を生かした密接な親和性マッチング(DAM)フレームワークを提案する。 サポート背景を除去した既存の方法と異なり、背景関連クエリ特徴をフィルタリングし、サポート背景により前景関連クエリ機能を保持するためのヒステリシス空間フィルタリングモジュール(hsfm)を設計し、クエリ背景における干渉オブジェクトの排除に有用である。 DAMをクロスカテゴリ、クロスデータセット、クロスドメインFSSタスクで10のベンチマークで総合的に評価する。 実験の結果、DAMは0.68万のパラメータしか持たない異なる条件下で、特にドメイン間FSSタスクにおいて非常に競争力があり、その有効性と効率が示されている。

関連論文リスト

• Discriminative Co-Saliency and Background Mining Transformer for Co-Salient Object Detection [111.04994415248736]
  我々は差別的共存とバックグラウンドマイニング・トランスフォーマー・フレームワーク(DMT)を提案する。 我々は2種類の事前定義されたトークンを用いて、コントラスト誘起画素間相関モジュールとコサリエンストークン間相関モジュールを用いて、コサリエンシと背景情報をマイニングする。 3つのベンチマークデータセットの実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-04-30T15:56:47Z)
• Progressively Dual Prior Guided Few-shot Semantic Segmentation [57.37506990980975]
  Few-shotのセマンティックセマンティックセマンティクスタスクは、いくつかのアノテーション付きサポートサンプルを使用して、クエリイメージのセマンティクスを実行することを目的としている。 本稿では,先進的に2重にガイドされた数発のセマンティックセマンティックセグメンテーションネットワークを提案する。
  論文  参考訳（メタデータ） (2022-11-20T16:19:47Z)
• Boosting Few-shot Fine-grained Recognition with Background Suppression and Foreground Alignment [53.401889855278704]
  FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。 本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。 複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-04T07:54:40Z)
• Dense Cross-Query-and-Support Attention Weighted Mask Aggregation for Few-Shot Segmentation [25.605580031284052]
  セマンティック・センス(FSS)は注目されている。 FSSの目標は、ターゲットクラスの注釈付きサポートイメージのみを付与したクエリイメージでターゲットオブジェクトをセグメントすることである。 我々は,前景情報と背景情報の両方をフル活用したAMADC (Pixel-wise Cross-query-and- Support Attention weighted Mask Aggregation) を提案する。
  論文  参考訳（メタデータ） (2022-07-18T12:12:42Z)
• Dynamic Prototype Convolution Network for Few-Shot Semantic Segmentation [33.93192093090601]
  少数ショットセマンティックセグメンテーション(FSS)の鍵となる課題は、サポートとクエリ機能間の望ましいインタラクションをどのように調整するかである。 そこで本研究では,FSSの精度を高めるために,本発明のプロトタイプコンボリューションネットワーク(DPCN)を提案する。 当社のDPCNは、kショットFSS設定下でも柔軟で効率的です。
  論文  参考訳（メタデータ） (2022-04-22T11:12:37Z)
• Inter-class Discrepancy Alignment for Face Recognition [55.578063356210144]
  IA(Inter-class DiscrepancyAlignment)という統合フレームワークを提案する。 IDA-DAOは、画像と隣人の相違を考慮した類似度スコアの整合に使用される。 IDA-SSEは、GANで生成された仮想候補画像を導入することで、説得力のあるクラス間隣人を提供できます。
  論文  参考訳（メタデータ） (2021-03-02T08:20:08Z)
• SimPropNet: Improved Similarity Propagation for Few-shot Image Segmentation [14.419517737536706]
  最近のディープニューラルネットワークに基づくFSS法は,サポート画像の前景特徴とクエリ画像特徴との高次元的特徴類似性を生かしている。 我々は,サポート機能とクエリ機能との共有を強制するために,サポートとクエリマスクを共同で予測することを提案する。 提案手法は,PASCAL-5iデータセット上での1ショットと5ショットのセグメンテーションに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-04-30T17:56:48Z)
• Deep Semantic Matching with Foreground Detection and Cycle-Consistency [103.22976097225457]
  深層ネットワークに基づく弱い教師付きセマンティックマッチングに対処する。 本研究では,背景乱れの影響を抑えるために,前景領域を明示的に推定する。 複数の画像にまたがって予測変換を強制し、幾何的に可視かつ一貫したサイクル一貫性の損失を発生させる。
  論文  参考訳（メタデータ） (2020-03-31T22:38:09Z)

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。