論文の概要: One Shot is Enough for Sequential Infrared Small Target Segmentation

• arxiv url: http://arxiv.org/abs/2408.04823v1
• Date: Fri, 9 Aug 2024 02:36:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-12 16:48:31.537837
• Title: One Shot is Enough for Sequential Infrared Small Target Segmentation
• Title（参考訳）: 1ショットは連続赤外小ターゲットセグメンテーションに十分である
• Authors: Bingbing Dan, Meihui Li, Tao Tang, Jing Zhang,
• Abstract要約: 逐次赤外小ターゲットセグメンテーションのためのワンショット・トレーニングフリー手法を提案する。 1つの注釈付きフレームが参照として与えられると、この手法はシーケンスの他のフレームに小さなターゲットを正確に分割することができる。 実験の結果,最先端の手法に匹敵する性能を達成するためには,本手法では1ショットしか必要としないことがわかった。
• 参考スコア（独自算出の注目度）: 9.354927663020586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Infrared small target sequences exhibit strong similarities between frames and contain rich contextual information, which motivates us to achieve sequential infrared small target segmentation with minimal data. Inspired by the success of large segmentation models led by Segment Anything Model (SAM) across various downstream tasks, we propose a one-shot and training-free method that perfectly adapts SAM's zero-shot generalization capabilities to sequential infrared small target segmentation. Given one annotated frame as a reference, our method can accurately segment small targets in other frames of the sequence. Specifically, we first obtain a confidence map through local feature matching between reference image and test image. Then, the highest point in the confidence map is as a prompt, and we design the Point Prompt-Centric Focusing (PPCF) module to address the over-segmentation of small targets with blurry boundaries. Subsequently, to prevent miss and false detections, we introduce the Triple-Level Ensemble (TLE) module that ensembles the masks obtained at different levels from the first two steps to produce the final mask. Experiments demonstrate that our method requires only one shot to achieve comparable performance to state-of-the-art methods based on traditional many-shot supervision and even superior performance in a few-shot setting. Moreover, ablation studies confirm the robustness of our approach to variations in one-shot samples, changes in scenes, and the presence of multiple targets.
• Abstract（参考訳）: 赤外小ターゲットシーケンスはフレーム間に強い類似性を示し、リッチなコンテキスト情報を含んでいるため、最小限のデータで順次赤外小ターゲットセグメンテーションを実現する動機となる。 本研究では,Segment Anything Model (SAM) による様々な下流タスクにおける大規模セグメンテーションモデルの成功に着想を得て,SAM のゼロショット一般化能力を逐次赤外小ターゲットセグメンテーションに完全に適応させるワンショット・トレーニングフリーな手法を提案する。 1つの注釈付きフレームが参照として与えられると、この手法はシーケンスの他のフレームに小さなターゲットを正確に分割することができる。 具体的には、まず、参照画像とテスト画像の局所的特徴マッチングを通して信頼マップを得る。 次に、信頼度マップの最高点はプロンプトであり、ぼやけた境界を持つ小さなターゲットの過剰なセグメンテーションに対応するために、PPCF (Point Prompt-Centric Focusing) モジュールを設計する。 その後、誤りや誤検出を防止するため、最初の2段階から異なるレベルで得られたマスクをアンサンブルして最終マスクを生成するTLE(Triple-Level Ensemble)モジュールを導入する。 実験により,従来の多ショット監視に基づく最先端の手法と同等の性能を得るためには,1ショットしか必要とせず,数ショット設定でも優れた性能が得られることがわかった。 さらに、アブレーション研究により、単発サンプルの変動に対する我々のアプローチの堅牢性、シーンの変化、および複数のターゲットの存在が確認された。

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)
• PointSAM: Pointly-Supervised Segment Anything Model for Remote Sensing Images [16.662173255725463]
  本稿では,PointSAM という新しいセグメンテーションモデルを提案する。 我々は, WHU, HRSID, NWPU VHR-10を含むRSIデータセットの実験を行った。 その結果,本手法はSAM,SAM2,その他の比較法で直接試験よりも優れていた。
  論文  参考訳（メタデータ） (2024-09-20T11:02:18Z)
• Unleashing the Power of Generic Segmentation Models: A Simple Baseline for Infrared Small Target Detection [57.666055329221194]
  本稿では,Segment Anything Model (SAM) などのジェネリックセグメンテーションモデルの赤外線小物体検出タスクへの適応について検討する。 提案モデルでは,既存の手法と比較して,精度とスループットの両方で性能が大幅に向上した。
  論文  参考訳（メタデータ） (2024-09-07T05:31:24Z)
• IRSAM: Advancing Segment Anything Model for Infrared Small Target Detection [55.554484379021524]
  Infrared Small Target Detection (IRSTD) タスクは、自然画像と赤外線画像の間に顕著な領域ギャップがあるため、満足度の高い性能を達成するには不十分である。 IRSTDのためのIRSAMモデルを提案する。これはSAMのエンコーダデコーダアーキテクチャを改善し、赤外線小物体の特徴表現をより良く学習する。
  論文  参考訳（メタデータ） (2024-07-10T10:17:57Z)
• NubbleDrop: A Simple Way to Improve Matching Strategy for Prompted One-Shot Segmentation [2.2559617939136505]
  マッチング戦略の有効性とロバスト性を高めるための,単純で訓練のない手法を提案する。 中心となる概念は、マッチングプロセス中にランダムに特徴チャネル(0に設定する)をドロップすることである。 この手法は、病理的なヌブルの破棄を模倣し、他の類似性コンピューティングのシナリオにシームレスに適用することができる。
  論文  参考訳（メタデータ） (2024-05-19T08:00:38Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• Self-guided Few-shot Semantic Segmentation for Remote Sensing Imagery Based on Large Vision Models [14.292149307183967]
  本研究は,少数ショットセマンティックセグメンテーションの自動化を目的とした構造化フレームワークを提案する。 SAMモデルを利用して、意味的に識別可能なセグメンテーションの結果をより効率的に生成する。 提案手法の中心は,従来のガイドマスクを利用してSAMの粗い画素単位のプロンプトを生成する,新しい自動プロンプト学習手法である。
  論文  参考訳（メタデータ） (2023-11-22T07:07:55Z)
• Monte Carlo Linear Clustering with Single-Point Supervision is Enough for Infrared Small Target Detection [48.707233614642796]
  SIRST(Single-frame infrared small target)検出は、赤外線画像上の乱雑な背景から小さなターゲットを分離することを目的としている。 ディープラーニングに基づく手法は、SIRST検出において有望な性能を達成したが、大量のトレーニングデータを犠牲にしている。 単一点監視を用いたSIRST検出のための最初の手法を提案する。
  論文  参考訳（メタデータ） (2023-04-10T08:04:05Z)
• Beyond the Prototype: Divide-and-conquer Proxies for Few-shot Segmentation [63.910211095033596]
  少ないショットのセグメンテーションは、少数の濃密なラベル付けされたサンプルのみを与えられた、目に見えないクラスオブジェクトをセグメンテーションすることを目的としている。 分割・分散の精神において, 単純かつ多目的な枠組みを提案する。 提案手法は、DCP(disvision-and-conquer proxies)と呼ばれるもので、適切な信頼性のある情報の開発を可能にする。
  論文  参考訳（メタデータ） (2022-04-21T06:21:14Z)

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。