論文の概要: OoDIS: Anomaly Instance Segmentation Benchmark

• arxiv url: http://arxiv.org/abs/2406.11835v1
• Date: Mon, 17 Jun 2024 17:59:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-18 13:04:25.306850
• Title: OoDIS: Anomaly Instance Segmentation Benchmark
• Title（参考訳）: OoDIS: 異常インスタンスセグメンテーションベンチマーク
• Authors: Alexey Nekrasov, Rui Zhou, Miriam Ackermann, Alexander Hermans, Bastian Leibe, Matthias Rottmann,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 57.89836988990543
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous vehicles require a precise understanding of their environment to navigate safely. Reliable identification of unknown objects, especially those that are absent during training, such as wild animals, is critical due to their potential to cause serious accidents. Significant progress in semantic segmentation of anomalies has been driven by the availability of out-of-distribution (OOD) benchmarks. However, a comprehensive understanding of scene dynamics requires the segmentation of individual objects, and thus the segmentation of instances is essential. Development in this area has been lagging, largely due to the lack of dedicated benchmarks. To address this gap, we have extended the most commonly used anomaly segmentation benchmarks to include the instance segmentation task. Our evaluation of anomaly instance segmentation methods shows that this challenge remains an unsolved problem. The benchmark website and the competition page can be found at: https://vision.rwth-aachen.de/oodis .
• Abstract（参考訳）: 自律走行車は、安全に航行するために環境を正確に理解する必要がある。 未知の物体、特に野生動物のような訓練中に欠落している物体の信頼性の高い識別は、深刻な事故を引き起こす可能性があるため重要である。 異常のセマンティックセグメンテーションの顕著な進歩は、アウト・オブ・ディストリビューション(OOD)ベンチマークの可用性によって引き起こされている。 しかし、シーンダイナミクスの包括的な理解には個々のオブジェクトのセグメンテーションが必要であるため、インスタンスのセグメンテーションは不可欠である。 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。 このギャップに対処するため、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むようにしました。 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。 ベンチマークウェブサイトとコンペティションページは以下の通り。

関連論文リスト

• Robotic Scene Segmentation with Memory Network for Runtime Surgical Context Inference [8.600278838838163]
  Space Time Cor correspondingence Network (STCN) は、二分セグメンテーションを行い、クラス不均衡の影響を最小限に抑えるメモリネットワークである。 針や糸などのセグメント化が困難なオブジェクトに対して,STCNが優れたセグメンテーション性能を実現することを示す。 また,性能を損なうことなく,実行時にセグメンテーションとコンテキスト推論を実行できることを示す。
  論文  参考訳（メタデータ） (2023-08-24T13:44:55Z)
• 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)
• A Threefold Review on Deep Semantic Segmentation: Efficiency-oriented, Temporal and Depth-aware design [77.34726150561087]
  我々は、自動運転車のビジョンの文脈において、Deep Semanticの最も関連性があり最近の進歩について調査を行う。 私たちの主な目的は、それぞれの視点で直面している主要な方法、利点、制限、結果、課題に関する包括的な議論を提供することです。
  論文  参考訳（メタデータ） (2023-03-08T01:29:55Z)
• A Survey on Label-efficient Deep Segmentation: Bridging the Gap between Weak Supervision and Dense Prediction [115.9169213834476]
  本稿では,ラベル効率の高いセグメンテーション手法について概説する。 まず,様々な種類の弱いラベルによって提供される監督に従って,これらの手法を整理する分類法を開発する。 次に,既存のラベル効率のセグメンテーション手法を統一的な視点から要約する。
  論文  参考訳（メタデータ） (2022-07-04T06:21:01Z)
• 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)
• Are standard Object Segmentation models sufficient for Learning Affordance Segmentation? [3.845877724862319]
  本研究は,現在最先端のPCS R-CNNを割当価格問題に適用することにより,現状の最先端よりも優れた性能を示すことを示す。 余剰学習のためのより良いベンチマークには、アクション能力を含めるべきである、と私たちは主張する。
  論文  参考訳（メタデータ） (2021-07-05T15:34:20Z)
• Exploring Robustness of Unsupervised Domain Adaptation in Semantic Segmentation [74.05906222376608]
  クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。 i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
  論文  参考訳（メタデータ） (2021-05-23T01:50:44Z)
• 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)

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。