論文の概要: MaskUno: Switch-Split Block For Enhancing Instance Segmentation

• arxiv url: http://arxiv.org/abs/2407.21498v1
• Date: Wed, 31 Jul 2024 10:12:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-01 18:12:32.099270
• Title: MaskUno: Switch-Split Block For Enhancing Instance Segmentation
• Title（参考訳）: MaskUno: インスタンスのセグメンテーションを強化するスイッチスプリットブロック
• Authors: Jawad Haidar, Marc Mouawad, Imad Elhajj, Daniel Asmar,
• Abstract要約: マスク予測を洗練されたROIを処理し、それらを分類し、特定のマスク予測者に割り当てるスイッチスプリットブロックに置き換えることを提案する。 平均平均精度(mAP)が2.03%上昇し,80クラスにおいて高い成績を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Instance segmentation is an advanced form of image segmentation which, beyond traditional segmentation, requires identifying individual instances of repeating objects in a scene. Mask R-CNN is the most common architecture for instance segmentation, and improvements to this architecture include steps such as benefiting from bounding box refinements, adding semantics, or backbone enhancements. In all the proposed variations to date, the problem of competing kernels (each class aims to maximize its own accuracy) persists when models try to synchronously learn numerous classes. In this paper, we propose mitigating this problem by replacing mask prediction with a Switch-Split block that processes refined ROIs, classifies them, and assigns them to specialized mask predictors. We name the method MaskUno and test it on various models from the literature, which are then trained on multiple classes using the benchmark COCO dataset. An increase in the mean Average Precision (mAP) of 2.03% was observed for the high-performing DetectoRS when trained on 80 classes. MaskUno proved to enhance the mAP of instance segmentation models regardless of the number and typ
• Abstract（参考訳）: インスタンスセグメンテーションは画像セグメンテーションの高度な形式であり、従来のセグメンテーションを超えて、シーン内のオブジェクトを繰り返す個々のインスタンスを特定する必要がある。 Mask R-CNNは、インスタンスセグメンテーションにおいて最も一般的なアーキテクチャであり、このアーキテクチャの改善には、バウンディングボックスのリファインメントの恩恵、セマンティクスの追加、バックボーン拡張などのステップが含まれる。 これまでに提案されたすべてのバリエーションにおいて、競合するカーネル(各クラスは自身の精度を最大化することを目的としている)の問題は、モデルが複数のクラスを同期的に学習しようとするときに持続する。 本稿では、マスク予測を洗練されたROIを処理し、それらを分類し、特殊なマスク予測器に割り当てるスイッチスプリットブロックに置き換えることで、この問題を軽減することを提案する。 我々はMaskUnoメソッドを命名し、文献から様々なモデルでテストし、ベンチマークCOCOデータセットを使用して複数のクラスでトレーニングする。 平均平均精度(mAP)が2.03%上昇し,80クラスにおいて高い成績を示した。 MaskUnoは、数や型に関わらず、インスタンスセグメンテーションモデルのmAPを強化することを証明した

関連論文リスト

• Bridge the Points: Graph-based Few-shot Segment Anything Semantically [79.1519244940518]
  プレトレーニング技術の最近の進歩により、視覚基礎モデルの能力が向上した。 最近の研究はSAMをFew-shot Semantic segmentation (FSS)に拡張している。 本稿では,グラフ解析に基づく簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-10-09T15:02:28Z)
• PosSAM: Panoptic Open-vocabulary Segment Anything [58.72494640363136]
  PosSAMはオープン・ボキャブラリ・パノプティ・セグメンテーション・モデルであり、Segment Anything Model(SAM)の強みを、エンドツーエンドのフレームワークで視覚ネイティブのCLIPモデルと統合する。 本稿では,マスクの質を適応的に向上し,各画像の推論中にオープン語彙分類の性能を高めるマスク対応選択組立アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-14T17:55:03Z)
• DynaMask: Dynamic Mask Selection for Instance Segmentation [21.50329070835023]
  我々は,各インスタンスに最適なマスク解像度を選択するために,計算コストを無視できるマスクスイッチモジュール(MSM)を開発した。 提案手法,すなわちDynaMaskは,高い計算オーバーヘッドで,他の最先端技術よりも一貫した,顕著なパフォーマンス向上を実現する。
  論文  参考訳（メタデータ） (2023-03-14T13:01:25Z)
• MaskRange: A Mask-classification Model for Range-view based LiDAR Segmentation [34.04740351544143]
  本研究では,範囲ビューに基づくLiDARセマンティクスとパノプティックセグメンテーションのためのマスク分類モデルMaskRangeを提案する。 我々のMaskRangeは、セマンティックセグメンテーションにおける6.10ドルmIoUの最先端性能と、高い効率でパノプティクスセグメンテーションにおける53.10ドルPQの有望な結果を達成する。
  論文  参考訳（メタデータ） (2022-06-24T04:39:49Z)
• Discovering Object Masks with Transformers for Unsupervised Semantic Segmentation [75.00151934315967]
  MaskDistillは教師なしセマンティックセグメンテーションのための新しいフレームワークである。 我々のフレームワークは、低レベルの画像キューにラッチを付けず、オブジェクト中心のデータセットに限らない。
  論文  参考訳（メタデータ） (2022-06-13T17:59:43Z)
• Per-Pixel Classification is Not All You Need for Semantic Segmentation [184.2905747595058]
  マスク分類はセマンティックレベルのセグメンテーションタスクとインスタンスレベルのセグメンテーションタスクの両方を解くのに十分一般的である。 マスクの集合を予測する単純なマスク分類モデルであるMaskFormerを提案する。 提案手法は,現在の最先端セマンティック(ADE20Kでは55.6 mIoU)とパノプティックセグメンテーション(COCOでは52.7 PQ)モデルの両方に優れる。
  論文  参考訳（メタデータ） (2021-07-13T17:59:50Z)
• The surprising impact of mask-head architecture on novel class segmentation [27.076315496682444]
  マスクヘッドのアーキテクチャは,トレーニング中にマスクを観察しないクラスへの一般化において,驚くほど重要な役割を担っている。 また,マスクヘッドアーキテクチャを選択すれば,従来の文献で提案された特別なモジュールや損失を必要とせずに,部分的に監督されたCOCOベンチマーク上でSOTA結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-04-01T16:46:37Z)
• LevelSet R-CNN: A Deep Variational Method for Instance Segmentation [79.20048372891935]
  現在、多くのアートモデルはMask R-CNNフレームワークに基づいている。 本稿では,両世界の長所を結合したR-CNNを提案する。 我々はCOCOおよびCityscapesデータセットに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2020-07-30T17:52:18Z)
• PointINS: Point-based Instance Segmentation [117.38579097923052]
  POI(Point-of-Interest)機能によるインスタンスセグメンテーションにおけるマスク表現は、各インスタンスの高次元マスク機能を学ぶには、計算負荷が重いため、難しい。 本稿では、このマスク表現学習タスクを2つの抽出可能なモジュールに分解するインスタンス認識畳み込みを提案する。 インスタンス認識の畳み込みとともに、単純で実用的なインスタンスセグメンテーションアプローチであるPointINSを提案する。
  論文  参考訳（メタデータ） (2020-03-13T08:24:58Z)

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。