論文の概要: OoDIS: Anomaly Instance Segmentation and Detection Benchmark

• arxiv url: http://arxiv.org/abs/2406.11835v2
• Date: Thu, 10 Apr 2025 13:11:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-11 12:21:15.950613
• Title: OoDIS: Anomaly Instance Segmentation and Detection Benchmark
• Title（参考訳）: OoDIS: 異常インスタンスのセグメンテーションと検出ベンチマーク
• Authors: Alexey Nekrasov, Rui Zhou, Miriam Ackermann, Alexander Hermans, Bastian Leibe, Matthias Rottmann,
• Abstract要約: この作業は、インスタンスセグメンテーションとオブジェクト検出タスクを含むために、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ます。 異常セグメンテーションおよびオブジェクト検出手法の評価は,これらの課題が未解決問題のままであることを示す。
• 参考スコア（独自算出の注目度）: 57.89836988990543
• License:
• Abstract: Safe navigation of self-driving cars and robots requires a precise understanding of their environment. Training data for perception systems cannot cover the wide variety of objects that may appear during deployment. Thus, reliable identification of unknown objects, such as wild animals and untypical obstacles, is critical due to their potential to cause serious accidents. Significant progress in semantic segmentation of anomalies has been facilitated 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. The situation is similar in object detection. While there is interest in detecting and potentially tracking every anomalous object, the availability of dedicated benchmarks is clearly limited. To address this gap, this work extends some commonly used anomaly segmentation benchmarks to include the instance segmentation and object detection tasks. Our evaluation of anomaly instance segmentation and object detection methods shows that both of these challenges remain unsolved problems. We provide a competition and benchmark website under https://vision.rwth-aachen.de/oodis
• Abstract（参考訳）: 自動運転車やロボットの安全なナビゲーションには、環境を正確に理解する必要がある。 知覚システムのトレーニングデータは、展開中に現れるさまざまなオブジェクトをカバーできない。 したがって、野生動物や非典型的障害などの未知の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促進されている。 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。 この状況は物体検出において類似している。 すべての異常なオブジェクトを検出し、潜在的に追跡することに関心があるが、専用ベンチマークの可用性は明らかに制限されている。 このギャップに対処するため、この作業は、インスタンスのセグメンテーションとオブジェクト検出タスクを含むために一般的に使用される異常セグメンテーションベンチマークを拡張している。 異常なインスタンスセグメンテーションとオブジェクト検出手法の評価は、これらの課題が未解決問題のままであることを示している。 競争とベンチマークのウェブサイトをhttps://vision.rwth-aachen.de/oodisで公開しています。

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。