論文の概要: UGainS: Uncertainty Guided Anomaly Instance Segmentation

• arxiv url: http://arxiv.org/abs/2308.02046v1
• Date: Thu, 3 Aug 2023 20:55:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-07 14:31:46.082568
• Title: UGainS: Uncertainty Guided Anomaly Instance Segmentation
• Title（参考訳）: UGainS: 不確実性ガイドによる異常インスタンスセグメンテーション
• Authors: Alexey Nekrasov, Alexander Hermans, Lars Kuhnert, Bastian Leibe
• Abstract要約: 道路上の1つの予期せぬ物体が事故を引き起こしたり、怪我を負うことがある。 現在のアプローチでは、各ピクセルに異常スコアを割り当てることで、異常セグメンテーションに取り組む。 本稿では, 高精度な異常マスクを生成する手法を提案する。
• 参考スコア（独自算出の注目度）: 80.12253291709673
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A single unexpected object on the road can cause an accident or may lead to injuries. To prevent this, we need a reliable mechanism for finding anomalous objects on the road. This task, called anomaly segmentation, can be a stepping stone to safe and reliable autonomous driving. Current approaches tackle anomaly segmentation by assigning an anomaly score to each pixel and by grouping anomalous regions using simple heuristics. However, pixel grouping is a limiting factor when it comes to evaluating the segmentation performance of individual anomalous objects. To address the issue of grouping multiple anomaly instances into one, we propose an approach that produces accurate anomaly instance masks. Our approach centers on an out-of-distribution segmentation model for identifying uncertain regions and a strong generalist segmentation model for anomaly instances segmentation. We investigate ways to use uncertain regions to guide such a segmentation model to perform segmentation of anomalous instances. By incorporating strong object priors from a generalist model we additionally improve the per-pixel anomaly segmentation performance. Our approach outperforms current pixel-level anomaly segmentation methods, achieving an AP of 80.08% and 88.98% on the Fishyscapes Lost and Found and the RoadAnomaly validation sets respectively. Project page: https://vision.rwth-aachen.de/ugains
• Abstract（参考訳）: 道路上の1つの予期せぬ物体が事故を引き起こしたり、怪我を負うことがある。 これを防ぐために、道路上の異常な物体を見つけるための信頼できるメカニズムが必要です。 anomaly segmentation(異常分割)と呼ばれるこのタスクは、安全で信頼性の高い自動運転への一歩になり得る。 現在のアプローチでは、各ピクセルに異常スコアを割り当て、単純なヒューリスティックを用いて異常領域をグループ化することで異常セグメンテーションに取り組む。 しかし、画素グループ化は、個々の異常物体のセグメンテーション性能を評価する上での限界要素である。 複数の異常インスタンスを1つにグループ化する問題に対処するため、我々は、正確な異常インスタンスマスクを生成するアプローチを提案する。 提案手法は,不確実領域を特定するための分布外セグメンテーションモデルと,異常インスタンスセグメンテーションのための強力なジェネリストセグメンテーションモデルに焦点を当てる。 このようなセグメンテーションモデルを導出して異常インスタンスのセグメンテーションを行うために不確実領域を利用する方法について検討する。 一般化モデルから強い対象を組み込むことにより,画素ごとの異常セグメンテーション性能も向上する。 提案手法は,現行の画素レベルの異常セグメンテーション法より優れており,魚の生息地と発見地におけるAPの80.08%と88.98%をそれぞれ達成している。 プロジェクトページ: https://vision.rwth-aachen.de/ugains

関連論文リスト

• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• OoDIS: Anomaly Instance Segmentation Benchmark [57.89836988990543]
  我々は、最もよく使われる異常セグメンテーションベンチマークを拡張して、インスタンスセグメンテーションタスクを含める。 この分野の開発は遅れており、主に専用のベンチマークがないためである。 異常なインスタンスセグメンテーション手法の評価は、この課題が未解決の問題のままであることを示している。
  論文  参考訳（メタデータ） (2024-06-17T17:59:56Z)
• Test Time Training for Industrial Anomaly Segmentation [15.973768095014906]
  産業品質管理にはAD&S(Anomaly Detection and Ranging)が不可欠である。 本稿では,セグメンテーション性能を向上させるためのテストタイムトレーニング戦略を提案する。 我々は,MVTec ADとMVTec 3D-ADの広範囲な実験と評価を通じて,ベースラインに対するアプローチの有効性を実証した。
  論文  参考訳（メタデータ） (2024-04-04T18:31:24Z)
• Segment Every Out-of-Distribution Object [24.495734304922244]
  本稿では,意味的セグメンテーションにおけるOoD検出の簡易かつ効果的なフレームワークであるS2Mと呼ばれる,異常な textbfScore textbfTo セグメンテーション textbfMask を変換する手法を提案する。 異常スコアをプロンプト可能なセグメンテーションモデルへのプロンプトに変換することで、S2Mはしきい値の選択を不要にする。
  論文  参考訳（メタデータ） (2023-11-27T18:20:03Z)
• A Generalist Framework for Panoptic Segmentation of Images and Videos [61.61453194912186]
  我々は,タスクの帰納バイアスに頼ることなく,離散的なデータ生成問題としてパノプティクスセグメンテーションを定式化する。 単純な構造と一般的な損失関数を持つパノスコープマスクをモデル化するための拡散モデルを提案する。 本手法は,動画を(ストリーミング環境で)モデル化し,オブジェクトのインスタンスを自動的に追跡することを学ぶ。
  論文  参考訳（メタデータ） (2022-10-12T16:18:25Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• FSNet: A Failure Detection Framework for Semantic Segmentation [9.453250122818808]
  画素レベルの誤分類を識別するための故障検出フレームワークを提案する。 セグメンテーションモデルの内部機能を利用して、障害検出ネットワークで同時にトレーニングする。 我々は,最先端手法に対する提案手法の評価を行い,12.30%,9.46%,9.65%の性能改善を実現した。
  論文  参考訳（メタデータ） (2021-08-19T15:26:52Z)
• Detecting Anomalies in Semantic Segmentation with Prototypes [23.999211737485812]
  本稿では,プロトタイプ学習による異常セグメンテーションに対処することを提案する。 我々のアプローチは、過去の作品よりも大きな差で、新しい芸術の状態を達成している。
  論文  参考訳（メタデータ） (2021-06-01T13:22:33Z)
• SegmentMeIfYouCan: A Benchmark for Anomaly Segmentation [111.61261419566908]
  ディープニューラルネットワーク(DNN)は通常、閉集合のセマンティッククラスで訓練される。 未発見のオブジェクトを扱うには不備だ。 このような物体の検出と局在化は、自動運転の認識などの安全クリティカルなアプリケーションに不可欠です。
  論文  参考訳（メタデータ） (2021-04-30T07:58:19Z)
• Pixel-wise Anomaly Detection in Complex Driving Scenes [30.884375526254836]
  本稿では,不確実性マップを用いて異常検出を改善する画素方向異常検出フレームワークを提案する。 私たちのアプローチは、すでにトレーニング済みのセグメンテーションネットワークの一般的なフレームワークとして機能します。 さまざまな異常データセットを対象としたトップ2パフォーマンスは、異なる異常インスタンスを扱うアプローチの堅牢性を示している。
  論文  参考訳（メタデータ） (2021-03-09T14:26:20Z)

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。