論文の概要: Segment Every Out-of-Distribution Object

• arxiv url: http://arxiv.org/abs/2311.16516v3
• Date: Wed, 13 Dec 2023 17:51:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-16 03:33:10.509774
• Title: Segment Every Out-of-Distribution Object
• Title（参考訳）: すべての分散オブジェクトをセグメンテーションする
• Authors: Wenjie Zhao, Jia Li, Xin Dong, Yu Xiang, Yunhui Guo
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 26.280149442075462
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Semantic segmentation models, while effective for in-distribution categories, face challenges in real-world deployment due to encountering out-of-distribution (OoD) objects. Detecting these OoD objects is crucial for safety-critical applications. Existing methods rely on anomaly scores, but choosing a suitable threshold for generating masks presents difficulties and can lead to fragmentation and inaccuracy. This paper introduces a method to convert anomaly \textbf{S}core \textbf{T}o segmentation \textbf{M}ask, called S2M, a simple and effective framework for OoD detection in semantic segmentation. Unlike assigning anomaly scores to pixels, S2M directly segments the entire OoD object. By transforming anomaly scores into prompts for a promptable segmentation model, S2M eliminates the need for threshold selection. Extensive experiments demonstrate that S2M outperforms the state-of-the-art by approximately 10% in IoU and 30% in mean F1 score, on average, across various benchmarks including Fishyscapes, Segment-Me-If-You-Can, and RoadAnomaly datasets.
• Abstract（参考訳）: セマンティクスセグメンテーションモデルは、分散内カテゴリに有効であるが、分散外(ood)オブジェクトに遭遇するため、現実のデプロイメントにおける課題に直面している。 これらのOoDオブジェクトの検出は、安全クリティカルなアプリケーションに不可欠である。 既存の方法は異常スコアに依存しているが、マスクの生成に適したしきい値を選択することは困難であり、断片化や不正確性につながる可能性がある。 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 \textbf{S}core \textbf{T}o セグメンテーションを変換する手法を提案する。 異常スコアをピクセルに割り当てるのとは異なり、S2MはOoDオブジェクト全体を直接セグメントする。 anomalyスコアをプロンプトに変換することで、s2mはしきい値選択の必要性をなくす。 大規模な実験により、S2MはIoUで約10%、平均F1スコアで30%、フィッシュスケープ、Segment-Me-If-You-Can、RoadAnomalyデータセットなど、さまざまなベンチマークでパフォーマンスが向上した。

関連論文リスト

• Bridge the Points: Graph-based Few-shot Segment Anything Semantically [79.1519244940518]
  プレトレーニング技術の最近の進歩により、視覚基礎モデルの能力が向上した。 最近の研究はSAMをFew-shot Semantic segmentation (FSS)に拡張している。 本稿では,グラフ解析に基づく簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-10-09T15:02:28Z)
• Adapting Segment Anything Model for Unseen Object Instance Segmentation [70.60171342436092]
  Unseen Object Instance(UOIS)は、非構造環境で動作する自律ロボットにとって不可欠である。 UOISタスクのためのデータ効率のよいソリューションであるUOIS-SAMを提案する。 UOIS-SAMは、(i)HeatmapベースのPrompt Generator(HPG)と(ii)SAMのマスクデコーダに適応する階層識別ネットワーク(HDNet)の2つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2024-09-23T19:05:50Z)
• Advancing SEM Based Nano-Scale Defect Analysis in Semiconductor Manufacturing for Advanced IC Nodes [0.10555513406636088]
  このフレームワークは、(a)欠陥検出モジュールと(b)欠陥セグメントモジュールの2つのモジュールで構成されている。 BoxSnakeは、以前のモジュールでサポートされているナノスケール欠陥のボックス管理インスタンスセグメンテーションを容易にする。 我々は、実際のウエハから2つの異なるプロセスデータセットを用いて、ADCDSフレームワークの性能を評価した。
  論文  参考訳（メタデータ） (2024-09-06T14:35:04Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• UGainS: Uncertainty Guided Anomaly Instance Segmentation [80.12253291709673]
  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。
  論文  参考訳（メタデータ） (2023-08-03T20:55:37Z)
• The Second-place Solution for CVPR VISION 23 Challenge Track 1 -- Data Effificient Defect Detection [3.4853769431047907]
  データ有効欠陥検出のためのビジョンチャレンジトラック1は、競合相手がデータ不足の環境で14の産業検査データセットを例示する必要がある。 この課題に対して、Aoi-overfiting-Teamチームの技術詳細を紹介します。
  論文  参考訳（メタデータ） (2023-06-25T03:37:02Z)
• AcroFOD: An Adaptive Method for Cross-domain Few-shot Object Detection [59.10314662986463]
  クロスドメインの少数ショットオブジェクト検出は、いくつかの注釈付きターゲットデータで対象ドメイン内のオブジェクト検出器を適応することを目的としている。 提案手法は,複数のベンチマーク上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-09-22T10:23:40Z)
• Threshold-adaptive Unsupervised Focal Loss for Domain Adaptation of Semantic Segmentation [25.626882426111198]
  意味的セグメンテーションのための教師なしドメイン適応(UDA)は近年研究の注目を集めている。 本稿では,セマンティックセグメンテーションのための2段階エントロピーに基づくUDA手法を提案する。 本稿では,DeepLabV2を用いたSynTHIA-to-CityscapesとGTA5-to-Cityscapesにおける最先端の58.4%と59.6%のmIoUと,軽量BiSeNetを用いた競合性能を実現する。
  論文  参考訳（メタデータ） (2022-08-23T03:48:48Z)
• 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)
• Entropy Maximization and Meta Classification for Out-Of-Distribution Detection in Semantic Segmentation [7.305019142196585]
  自動運転など多くのアプリケーションにおいて,OoD(Out-of-Distribution)サンプルが不可欠である。 OoD検出の自然なベースラインアプローチは、ピクセル回りのソフトマックスエントロピーのしきい値です。 そのアプローチを大幅に改善する2段階の手順を提案する。
  論文  参考訳（メタデータ） (2020-12-09T11:01:06Z)

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。