論文の概要: OMG-Seg: Is One Model Good Enough For All Segmentation?

• arxiv url: http://arxiv.org/abs/2401.10229v2
• Date: Tue, 01 Oct 2024 05:56:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-02 16:32:40.421743
• Title: OMG-Seg: Is One Model Good Enough For All Segmentation?
• Title（参考訳）: OMG-Seg: 1つのモデルはすべてのセグメンテーションに十分か?
• Authors: Xiangtai Li, Haobo Yuan, Wei Li, Henghui Ding, Size Wu, Wenwei Zhang, Yining Li, Kai Chen, Chen Change Loy,
• Abstract要約: OMG-Segは、タスク固有のクエリと出力を持つトランスフォーマーベースのエンコーダデコーダアーキテクチャである。 OMG-Segは10以上の異なるセグメンテーションタスクをサポートできるが、計算とパラメータのオーバーヘッドを大幅に削減できることを示す。
• 参考スコア（独自算出の注目度）: 83.17068644513144
• License:
• Abstract: In this work, we address various segmentation tasks, each traditionally tackled by distinct or partially unified models. We propose OMG-Seg, One Model that is Good enough to efficiently and effectively handle all the segmentation tasks, including image semantic, instance, and panoptic segmentation, as well as their video counterparts, open vocabulary settings, prompt-driven, interactive segmentation like SAM, and video object segmentation. To our knowledge, this is the first model to handle all these tasks in one model and achieve satisfactory performance. We show that OMG-Seg, a transformer-based encoder-decoder architecture with task-specific queries and outputs, can support over ten distinct segmentation tasks and yet significantly reduce computational and parameter overhead across various tasks and datasets. We rigorously evaluate the inter-task influences and correlations during co-training. Code and models are available at https://github.com/lxtGH/OMG-Seg.
• Abstract（参考訳）: 本研究では,伝統的に異なる,あるいは部分的に統一されたモデルによって取り組まれる,様々なセグメンテーションタスクに対処する。 画像のセグメンテーション,例,パノプティックセグメンテーション,ビデオのセグメンテーション,オープンボキャブラリ設定,SAMのようなインタラクティブなセグメンテーション,ビデオオブジェクトセグメンテーションなど,すべてのセグメンテーションタスクを効率的かつ効果的に処理できるOMG-Segを提案する。 私たちの知る限り、これはこれらのタスクを1つのモデルで処理し、満足なパフォーマンスを達成する最初のモデルです。 タスク固有のクエリとアウトプットを備えたトランスフォーマーベースのエンコーダデコーダアーキテクチャであるOMG-Segは,10以上のセグメンテーションタスクをサポートしながら,さまざまなタスクやデータセットの計算およびパラメータオーバーヘッドを大幅に削減できることを示す。 共同学習におけるタスク間の影響と相関関係を厳格に評価した。 コードとモデルはhttps://github.com/lxtGH/OMG-Seg.comで公開されている。

関連論文リスト

• RAP-SAM: Towards Real-Time All-Purpose Segment Anything [120.17175256421622]
  Segment Anything Model (SAM) は、一般化されたセグメンテーションを実現するための注目すべきモデルである。 現在のリアルタイムセグメンテーションは、主に運転シーンのセグメンテーションのような1つの目的を持っている。 本研究は、リアルタイムデプロイメントにおけるVFMの転送を実現するために、リアルタイムに全目的セグメンテーションと呼ばれる新しいリアルタイムセグメンテーション設定を提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:59:30Z)
• You Only Look at Once for Real-time and Generic Multi-Task [20.61477620156465]
  A-YOLOMは適応的でリアルタイムで軽量なマルチタスクモデルである。 我々は,統一的で合理化されたセグメンテーション構造を持つエンドツーエンドのマルチタスクモデルを開発した。 BDD100kデータセットで競合的な結果が得られます。
  論文  参考訳（メタデータ） (2023-10-02T21:09:43Z)
• Tracking Anything with Decoupled Video Segmentation [87.07258378407289]
  我々はデカップリングビデオセグメンテーションアプローチ(DEVA)を開発した。 タスク固有のイメージレベルセグメンテーションと、クラス/タスク非依存の双方向の時間的伝搬で構成されている。 この分離された定式化は、複数のデータスカースタスクにおけるエンドツーエンドのアプローチと良好に比較できることを示す。
  論文  参考訳（メタデータ） (2023-09-07T17:59:41Z)
• AIMS: All-Inclusive Multi-Level Segmentation [93.5041381700744]
  視覚領域を3つのレベル(パート、エンティティ、リレーション)に分割するタスクであるAll-Inclusive Multi-Level(AIMS)を提案する。 また、アノテーションの不整合とタスク相関の2つの大きな課題に対処するために、マルチデータセットのマルチタスクトレーニングを通じて統合されたAIMSモデルを構築します。
  論文  参考訳（メタデータ） (2023-05-28T16:28:49Z)
• BURST: A Benchmark for Unifying Object Recognition, Segmentation and Tracking in Video [58.71785546245467]
  複数の既存のベンチマークには、ビデオ内のオブジェクトのトラッキングとセグメンテーションが含まれる。 異なるベンチマークデータセットとメトリクスを使用するため、それらの相互作用はほとんどありません。 高品質なオブジェクトマスクを備えた数千の多様なビデオを含むデータセットであるBURSTを提案する。 すべてのタスクは、同じデータと同等のメトリクスを使って評価されます。
  論文  参考訳（メタデータ） (2022-09-25T01:27:35Z)
• Segmenting Moving Objects via an Object-Centric Layered Representation [100.26138772664811]
  深層表現を用いたオブジェクト中心セグメンテーションモデルを提案する。 複数のオブジェクトで合成トレーニングデータを生成するスケーラブルなパイプラインを導入する。 標準的なビデオセグメンテーションベンチマークでモデルを評価する。
  論文  参考訳（メタデータ） (2022-07-05T17:59:43Z)
• Evolution of Image Segmentation using Deep Convolutional Neural Network: A Survey [0.0]
  我々はCNNに基づくセマンティックとインスタンスセグメンテーションの両方の進化を垣間見る。 我々は、最先端のパン光学セグメンテーションモデルを垣間見せた。
  論文  参考訳（メタデータ） (2020-01-13T06:07:27Z)

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。