論文の概要: Relevant Intrinsic Feature Enhancement Network for Few-Shot Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2312.06474v1
• Date: Mon, 11 Dec 2023 16:02:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 15:08:56.062284
• Title: Relevant Intrinsic Feature Enhancement Network for Few-Shot Semantic Segmentation
• Title（参考訳）: Few-Shot Semantic Segmentation の固有特徴強調ネットワーク
• Authors: Xiaoyi Bao, Jie Qin, Siyang Sun, Yun Zheng, Xingang Wang
• Abstract要約: 本稿では,フォアグラウンドインスタンスのセマンティック一貫性を改善するために,RiFeNet(Relevant Intrinsic Feature Enhancement Network)を提案する。 RiFeNetはPASCAL-5iとCOCOベンチマークの最先端メソッドを上回っている。
• 参考スコア（独自算出の注目度）: 34.257289290796315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For few-shot semantic segmentation, the primary task is to extract class-specific intrinsic information from limited labeled data. However, the semantic ambiguity and inter-class similarity of previous methods limit the accuracy of pixel-level foreground-background classification. To alleviate these issues, we propose the Relevant Intrinsic Feature Enhancement Network (RiFeNet). To improve the semantic consistency of foreground instances, we propose an unlabeled branch as an efficient data utilization method, which teaches the model how to extract intrinsic features robust to intra-class differences. Notably, during testing, the proposed unlabeled branch is excluded without extra unlabeled data and computation. Furthermore, we extend the inter-class variability between foreground and background by proposing a novel multi-level prototype generation and interaction module. The different-grained complementarity between global and local prototypes allows for better distinction between similar categories. The qualitative and quantitative performance of RiFeNet surpasses the state-of-the-art methods on PASCAL-5i and COCO benchmarks.
• Abstract（参考訳）: 数ショットのセマンティックセグメンテーションでは、主なタスクは、限定ラベル付きデータからクラス固有の固有情報を抽出することである。 しかし,従来の手法のセマンティックな曖昧さとクラス間類似性は,画素レベルのフォアグラウンド分類の精度を制限している。 これらの問題を緩和するために、関係固有特徴拡張ネットワーク(RiFeNet)を提案する。 前景のインスタンスのセマンティック一貫性を改善するために,クラス内の差異に頑健な固有の特徴を抽出する方法をモデルに教える,効率的なデータ利用手法としてラベルなし分岐を提案する。 特に、テスト中に提案されたラベルなしのブランチは、追加のラベルなしのデータと計算なしで除外される。 さらに,新しい多レベルプロトタイプ生成およびインタラクションモジュールの提案により,前景と背景のクラス間変動性を拡張する。 グローバルプロトタイプとローカルプロトタイプの相補性が異なるため、類似のカテゴリの区別がより良くなる。 RiFeNetの質的かつ定量的な性能はPASCAL-5iとCOCOベンチマークの最先端手法を上回る。

関連論文リスト

• Semantic and Spatial Adaptive Pixel-level Classifier for Semantic Segmentation [11.176993272867396]
  上記の課題に対処する新しい意味的・空間的適応型分類器を提案する。 具体的には、固定されたプロトタイプから得られた粗いマスクを用いて、テスト画像のセマンティック領域と空間領域の中心に向けて固定されたプロトタイプを調整する。 提案したSSAは,計算コストを最小限に抑えて,ベースラインモデルのセグメンテーション性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-05-10T15:14:23Z)
• Learning Context-aware Classifier for Semantic Segmentation [88.88198210948426]
  本稿では,文脈認識型分類器の学習を通じて文脈ヒントを利用する。 本手法はモデルに依存しないため,ジェネリックセグメンテーションモデルにも容易に適用できる。 無視できる追加パラメータと+2%の推論時間だけで、小型モデルと大型モデルの両方で十分な性能向上が達成されている。
  論文  参考訳（メタデータ） (2023-03-21T07:00:35Z)
• An Upper Bound for the Distribution Overlap Index and Its Applications [18.481370450591317]
  本稿では,2つの確率分布間の重なり関数に対する計算容易な上限を提案する。 提案した境界は、一級分類と領域シフト解析においてその値を示す。 私たちの研究は、重複ベースのメトリクスの応用を拡大する大きな可能性を示しています。
  論文  参考訳（メタデータ） (2022-12-16T20:02:03Z)
• Interclass Prototype Relation for Few-Shot Segmentation [0.0]
  少数ショットのセグメンテーションでは、特徴空間におけるターゲットクラスデータの分布は狭く、サンプルデータのわずかなばらつきのため、カバレッジが低い。 本研究は,他のクラス間の類似性を低減し,分離性能を向上するInterclass Prototype Relation Network (IPRNet)を提案する。
  論文  参考訳（メタデータ） (2022-11-16T05:27:52Z)
• A Task-aware Dual Similarity Network for Fine-grained Few-shot Learning [19.90385022248391]
  TDSNet(Task-aware Dual similarity Network)は,グローバルな不変機能と識別的局所的詳細を探索する手法である。 TDSNetは、他の最先端アルゴリズムと比較することで、競争性能を達成する。
  論文  参考訳（メタデータ） (2022-10-22T04:24:55Z)
• Multi-dataset Pretraining: A Unified Model for Semantic Segmentation [97.61605021985062]
  我々は、異なるデータセットの断片化アノテーションを最大限に活用するために、マルチデータセット事前訓練と呼ばれる統合フレームワークを提案する。 これは、複数のデータセットに対して提案されたピクセルからプロトタイプへのコントラスト損失を通じてネットワークを事前トレーニングすることで実現される。 異なるデータセットからの画像とクラス間の関係をより良くモデル化するために、クロスデータセットの混合によりピクセルレベルの埋め込みを拡張する。
  論文  参考訳（メタデータ） (2021-06-08T06:13:11Z)
• Semi-Supervised Semantic Segmentation with Pixel-Level Contrastive Learning from a Class-wise Memory Bank [5.967279020820772]
  本稿では,コントラスト学習に基づく新しい表現学習モジュールを提案する。 このモジュールはセグメンテーションネットワークを強制し、同じクラスのサンプルに対して同様のピクセルレベルの特徴表現を生成する。 エンドツーエンドのトレーニングでは、ラベル付きデータとラベルなしデータの両方の機能は、メモリバンクの同じクラスのサンプルに最適化される。
  論文  参考訳（メタデータ） (2021-04-27T18:19:33Z)
• PointFlow: Flowing Semantics Through Points for Aerial Image Segmentation [96.76882806139251]
  本論文では,FPN(Feature Pyramid Network)フレームワークに基づく点親和性伝播モジュールであるPointFlowを提案する。 密接な親和性学習ではなく、隣接する特徴間の選択された点にスパース親和性マップを生成する。 3つの異なる空中セグメンテーションデータセットの実験結果から,提案手法は最先端の汎用セグメンテーション法よりも効率的かつ効率的であることが示唆された。
  論文  参考訳（メタデータ） (2021-03-11T09:42:32Z)
• Minimax Active Learning [61.729667575374606]
  アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。 現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。 我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-12-18T19:03:40Z)
• ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image Classification [49.87503122462432]
  ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。 本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。 4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-06-27T13:50:20Z)
• Few-shot 3D Point Cloud Semantic Segmentation [138.80825169240302]
  本稿では,新しい注意型マルチプロトタイプトランスダクティブ・ショットポイント・クラウドセマンティックセマンティック・セマンティクス法を提案する。 提案手法は,雲のセマンティックセマンティックセグメンテーション設定の違いによるベースラインに比べて,顕著で一貫した改善を示す。
  論文  参考訳（メタデータ） (2020-06-22T08:05:25Z)

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。