論文の概要: Principal Component Clustering for Semantic Segmentation in Synthetic Data Generation

• arxiv url: http://arxiv.org/abs/2406.17541v1
• Date: Tue, 25 Jun 2024 13:28:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-26 14:20:18.373619
• Title: Principal Component Clustering for Semantic Segmentation in Synthetic Data Generation
• Title（参考訳）: 合成データ生成におけるセマンティックセグメンテーションのための主成分クラスタリング
• Authors: Felix Stillger, Frederik Hasecke, Tobias Meisen,
• Abstract要約: 本稿では,潜在拡散モデルを用いてセマンティックセグメンテーションのための合成データセットを生成する手法について概説する。 弊社のアプローチでは、セグメンテーションデータに特化して訓練された追加モデルの必要性を排除している。 安定拡散による出力画像のみを用いてマスク改質ステップを提案する。
• 参考スコア（独自算出の注目度）: 4.065828033055705
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This technical report outlines our method for generating a synthetic dataset for semantic segmentation using a latent diffusion model. Our approach eliminates the need for additional models specifically trained on segmentation data and is part of our submission to the CVPR 2024 workshop challenge, entitled CVPR 2024 workshop challenge "SyntaGen Harnessing Generative Models for Synthetic Visual Datasets". Our methodology uses self-attentions to facilitate a novel head-wise semantic information condensation, thereby enabling the direct acquisition of class-agnostic image segmentation from the Stable Diffusion latents. Furthermore, we employ non-prompt-influencing cross-attentions from text to pixel, thus facilitating the classification of the previously generated masks. Finally, we propose a mask refinement step by using only the output image by Stable Diffusion.
• Abstract（参考訳）: 本稿では,潜在拡散モデルを用いてセマンティックセグメンテーションのための合成データセットを生成する手法について概説する。 CVPR 2024ワークショップチャレンジ”SyntaGen Harnessing Generative Models for Synthetic Visual Datasets”と題された,CVPR 2024ワークショップチャレンジへの提出の一部です。 提案手法では, 自己注意を用いて, 新たな頭知的セマンティック情報凝縮を促進することにより, 安定拡散潜水器からのクラス非依存画像セグメンテーションの直接取得を可能にする。 さらに,テキストからピクセルへの非プロンプト影響のクロスアテンションを用いて,以前に生成したマスクの分類を容易にする。 最後に,安定拡散による出力画像のみを用いてマスク改質ステップを提案する。

関連論文リスト

• SynthSet: Generative Diffusion Model for Semantic Segmentation in Precision Agriculture [0.09999629695552192]
  本研究では,人間の介入なしに現実的な農業データを合成するための二重拡散モデルアーキテクチャを提案する。 合成画像の表現特性とそれに対応する生成マスクとのコヒーレンスを高めるために超解像を用いる。 その結果,セマンティックセグメンテーションタスクにおけるデータ不足に対処する手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-11-05T20:42:23Z)
• Unleashing the Potential of the Diffusion Model in Few-shot Semantic Segmentation [56.87049651707208]
  セマンティックはインコンテクストタスクへと発展し、一般化的セグメンテーションモデルを評価する上で重要な要素となった。 我々の最初の焦点は、クエリイメージとサポートイメージの相互作用を容易にする方法を理解することであり、その結果、自己注意フレームワーク内のKV融合法が提案される。 そこで我々はDiffewSというシンプルで効果的なフレームワークを構築し,従来の潜在拡散モデルの生成フレームワークを最大限に保持する。
  論文  参考訳（メタデータ） (2024-10-03T10:33:49Z)
• SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
  我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。 我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
  論文  参考訳（メタデータ） (2024-03-25T10:30:22Z)
• EmerDiff: Emerging Pixel-level Semantic Knowledge in Diffusion Models [52.3015009878545]
  我々は、追加の訓練をすることなく、きめ細かなセグメンテーションマップを生成できる画像セグメンタを開発した。 低次元特徴写像の空間的位置と画像画素間の意味的対応を同定する。 大規模な実験では、生成したセグメンテーションマップがよく説明され、画像の細部を捉えることが示されている。
  論文  参考訳（メタデータ） (2024-01-22T07:34:06Z)
• Dataset Diffusion: Diffusion-based Synthetic Dataset Generation for Pixel-Level Semantic Segmentation [6.82236459614491]
  テキストから画像への生成モデルであるStable Diffusionを用いて,ピクセルレベルのセマンティックセマンティックセマンティクスラベルを生成する手法を提案する。 テキストプロンプト,クロスアテンション,SDの自己アテンションを活用することで,クラスプロンプト付加,クラスプロンプト横断アテンション,自己アテンション指数の3つの新しい手法を導入する。 これらの手法により合成画像に対応するセグメンテーションマップを生成することができる。
  論文  参考訳（メタデータ） (2023-09-25T17:19:26Z)
• Exploring Limits of Diffusion-Synthetic Training with Weakly Supervised Semantic Segmentation [16.863038973001483]
  本研究は拡散合成セマンティックセマンティックセグメンテーショントレーニングの3つの手法を紹介する。 第一に、信頼性に配慮した堅牢なトレーニングは、もともと弱い教師付き学習で用いられ、合成マスクの品質が不十分なセグメンテーションに役立つ。 第2に、画像Net-1kクラスの画像にバックボーンだけでなく、全体セグメンテーションモデルの大規模事前トレーニングを行うことで、下流のセグメンテーションタスクにメリットがある。 第3に,テキストリソースの制限により,トレーニング画像のスケールアップと多様化を図るために,プロンプトテキストセットにプロンプト拡張,データ拡張を導入する。
  論文  参考訳（メタデータ） (2023-09-04T05:34:19Z)
• Diffusion Models for Open-Vocabulary Segmentation [79.02153797465324]
  OVDiffは、教師なしオープン語彙セグメンテーションに生成テキストから画像への拡散モデルを利用する新しい手法である。 トレーニング済みのコンポーネントのみに依存し、トレーニングなしで合成セグメンタを直接出力する。
  論文  参考訳（メタデータ） (2023-06-15T17:51:28Z)
• A Simple Baseline for Zero-shot Semantic Segmentation with Pre-trained Vision-language Model [61.58071099082296]
  オブジェクト検出やセマンティックセグメンテーションといった、より広範な視覚問題に対して、ゼロショット認識をどのようにうまく機能させるかは定かではない。 本稿では,既訓練の視覚言語モデルであるCLIPを用いて,ゼロショットセマンティックセマンティックセマンティックセマンティクスを構築することを目的とした。 実験結果から, この単純なフレームワークは, 従来の最先端をはるかに上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2021-12-29T18:56:18Z)
• Synthetic Convolutional Features for Improved Semantic Segmentation [139.5772851285601]
  本稿では、中間畳み込み特徴を生成することを提案し、そのような中間畳み込み特徴に対応する最初の合成手法を提案する。 これにより、ラベルマスクから新機能を生成し、トレーニング手順にうまく組み込むことができます。 Cityscapes と ADE20K の2つの挑戦的なデータセットに関する実験結果と分析により,生成した特徴がセグメンテーションタスクのパフォーマンスを向上させることが示された。
  論文  参考訳（メタデータ） (2020-09-18T14:12:50Z)

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。