論文の概要: Segment to Recognize Robustly -- Enhancing Recognition by Image Decomposition

• arxiv url: http://arxiv.org/abs/2411.15933v1
• Date: Sun, 24 Nov 2024 17:39:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:20:44.480090
• Title: Segment to Recognize Robustly -- Enhancing Recognition by Image Decomposition
• Title（参考訳）: ランダムに認識するセグメント -- 画像分解による認識の強化
• Authors: Klara Janouskova, Cristian Gavrus, Jiri Matas,
• Abstract要約: S2R2(Segment to Recognize Robustly)は、FGとBGを分離し、それらをシンプルで堅牢で解釈可能な方法で結合する新しい認識手法である。 S2R2は、BGシフトに対する堅牢性を保ちながら、ドメイン内のデータに対する最先端の結果を達成する。
• 参考スコア（独自算出の注目度）: 21.917582794820095
• License:
• Abstract: In image recognition, both foreground (FG) and background (BG) play an important role; however, standard deep image recognition often leads to unintended over-reliance on the BG, limiting model robustness in real-world deployment settings. Current solutions mainly suppress the BG, sacrificing BG information for improved generalization. We propose "Segment to Recognize Robustly" (S2R^2), a novel recognition approach which decouples the FG and BG modelling and combines them in a simple, robust, and interpretable manner. S2R^2 leverages recent advances in zero-shot segmentation to isolate the FG and the BG before or during recognition. By combining FG and BG, potentially also with a standard full-image classifier, S2R^2 achieves state-of-the-art results on in-domain data while maintaining robustness to BG shifts. The results confirm that segmentation before recognition is now possible.
• Abstract（参考訳）: 画像認識において、フォアグラウンド(FG)とバックグラウンド(BG)の両方が重要な役割を担っているが、標準的なディープイメージ認識は、BGに対する意図しない過度な依存を招き、実際の配置設定におけるモデルロバスト性を制限する。 現在の解はBGを主に抑制し、一般化を改善するためにBG情報を犠牲にする。 本稿では、FGとBGを分離し、それらをシンプルで頑健で解釈可能な方法で結合する新しい認識手法「S2R^2」を提案する。 S2R^2は、ゼロショットセグメンテーションの最近の進歩を利用して、認識の前後にFGとBGを分離する。 FGとBGを組み合わせることで、S2R^2は、BGシフトに対するロバスト性を維持しつつ、ドメイン内のデータに対する最先端の結果を達成することができる。 その結果,認識前のセグメンテーションが可能になった。

関連論文リスト

• Eliminating Feature Ambiguity for Few-Shot Segmentation [95.9916573435427]
  マイクロショットセグメンテーション(FSS)の最近の進歩は、クエリとサポート機能の間のピクセル間マッチングを利用してきた。 本稿では,既存のクロスアテンションベースのFSS手法に接続可能な,新しいアンビグニティ除去ネットワーク(AENet)を提案する。
  論文  参考訳（メタデータ） (2024-07-13T10:33:03Z)
• Fine-grained Background Representation for Weakly Supervised Semantic Segmentation [35.346567242839065]
  本稿では,多様なBGセマンティクスを発見し,表現するために,FBR法を提案する。 そこで本研究では,FG陰性線を抽出し,地中コントラスト学習を効果的に行うためのアクティブサンプリング戦略を提案する。 本手法は,Pascal Voc および MS COCO テストセットにおいて,73.2 mIoU と 45.6 mIoU のセグメンテーション結果を得る。
  論文  参考訳（メタデータ） (2024-06-22T06:45:25Z)
• Distillation-guided Representation Learning for Unconstrained Gait Recognition [50.0533243584942]
  本研究では,屋外シナリオにおける人間認証のためのGADER(GAit Detection and Recognition)フレームワークを提案する。 GADERは、歩行情報を含むフレームのみを使用する新しい歩行認識手法により識別的特徴を構築する。 室内および屋外のデータセットに一貫した改善を示すため,複数の歩行ベースライン(SoTA)について評価を行った。
  論文  参考訳（メタデータ） (2023-07-27T01:53:57Z)
• Green Steganalyzer: A Green Learning Approach to Image Steganalysis [30.486433532000344]
  Green Steganalyzer (GS)は、グリーンラーニングパラダイムに基づいた画像ステガナリシスの学習ソリューションである。 GSは3つのモジュールで構成されている: ピクセルベースの異常予測、2)埋め込み位置検出、3)画像レベルの検出のための決定融合である。
  論文  参考訳（メタデータ） (2023-06-06T20:43:07Z)
• Context-Aware Video Reconstruction for Rolling Shutter Cameras [52.28710992548282]
  本稿では,文脈対応のGSビデオ再構成アーキテクチャを提案する。 まず、2つのRSフレームの画素が共通のGSフレームに歪むように、左右の運動場を推定する。 そこで,両面閉塞マスクとともにGSフレーム合成を誘導し,高忠実度GSビデオフレームを生成するための改良手法を提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:05:47Z)
• Learning Non-target Knowledge for Few-shot Semantic Segmentation [160.69431034807437]
  本稿では,クエリ中のBG領域とDO領域を明示的にマイニングし,除去するための,NTRE(Non-Target Region Elimination)ネットワークという新しいフレームワークを提案する。 A BG Mining Module (BGMM) was proposed to extract the BG region through learning a general BG prototype。 クエリ機能からBGおよびDO情報を逐次フィルタリングするBG除去モジュールとDO除去モジュールを提案する。
  論文  参考訳（メタデータ） (2022-05-10T13:52:48Z)
• Gait Recognition in the Wild: A Large-scale Benchmark and NAS-based Baseline [95.88825497452716]
  歩行ベンチマークにより、研究コミュニティは高性能歩行認識システムの訓練と評価を行うことができる。 GREWは、野生における歩行認識のための最初の大規模データセットである。 SPOSGaitはNASベースの最初の歩行認識モデルである。
  論文  参考訳（メタデータ） (2022-05-05T14:57:39Z)
• Cloth-Changing Person Re-identification from A Single Image with Gait Prediction and Regularization [65.50321170655225]
  本稿では,画像レイドモデルを用いて布非依存表現を学習するための補助タスクとして,歩行認識を導入する。 画像ベースのCloth-Changing ReIDベンチマーク(例えば、LTCC、PRCC、Real28、VC-Clothes)の実験は、GI-ReIDが最先端技術に対して好適に動作することを示した。
  論文  参考訳（メタデータ） (2021-03-29T12:10:50Z)

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。