論文の概要: ContourFormer:Real-Time Contour-Based End-to-End Instance Segmentation Transformer
- arxiv url: http://arxiv.org/abs/2501.17688v2
- Date: Thu, 30 Jan 2025 02:05:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-31 11:53:06.717005
- Title: ContourFormer:Real-Time Contour-Based End-to-End Instance Segmentation Transformer
- Title(参考訳): ContourFormer:Real-Time Contour-based End-to-End Instance Segmentation Transformer
- Authors: Weiwei Yao, Chen Li, Minjun Xiong, Wenbo Dong, Hao Chen, Xiong Xiao,
- Abstract要約: 本稿では,リアルタイムなcontour-based instance segmentationアルゴリズムであるContourformerを提案する。
この手法は完全にDETRパラダイムに基づいており、輪郭を最適化するための反復的およびプログレッシブなメカニズムを通じてエンドツーエンドの推論を実現する。
我々は、既存の最先端手法と比較して総合的な評価を行い、精度と推論速度の両方において顕著に改善したことを示す。
- 参考スコア(独自算出の注目度): 9.836892752093297
- License:
- Abstract: This paper presents Contourformer, a real-time contour-based instance segmentation algorithm. The method is fully based on the DETR paradigm and achieves end-to-end inference through iterative and progressive mechanisms to optimize contours. To improve efficiency and accuracy, we develop two novel techniques: sub-contour decoupling mechanisms and contour fine-grained distribution refinement. In the sub-contour decoupling mechanism, we propose a deformable attention-based module that adaptively selects sampling regions based on the current predicted contour, enabling more effective capturing of object boundary information. Additionally, we design a multi-stage optimization process to enhance segmentation precision by progressively refining sub-contours. The contour fine-grained distribution refinement technique aims to further improve the ability to express fine details of contours. These innovations enable Contourformer to achieve stable and precise segmentation for each instance while maintaining real-time performance. Extensive experiments demonstrate the superior performance of Contourformer on multiple benchmark datasets, including SBD, COCO, and KINS. We conduct comprehensive evaluations and comparisons with existing state-of-the-art methods, showing significant improvements in both accuracy and inference speed. This work provides a new solution for contour-based instance segmentation tasks and lays a foundation for future research, with the potential to become a strong baseline method in this field.
- Abstract(参考訳): 本稿では,リアルタイムなcontour-based instance segmentationアルゴリズムであるContourformerを提案する。
この手法は完全にDETRパラダイムに基づいており、輪郭を最適化するための反復的およびプログレッシブなメカニズムを通じてエンドツーエンドの推論を実現する。
効率と精度を向上させるために, サブコントラルデカップリング機構と細粒度分布の微細化という2つの新しい技術を開発した。
本稿では,現在予測されている輪郭に基づいてサンプリング領域を適応的に選択し,オブジェクト境界情報のより効率的なキャプチャを可能にする,変形可能なアテンションベースモジュールを提案する。
さらに,サブパターンを段階的に精錬することでセグメント化精度を向上させるための多段階最適化法を設計する。
輪郭微粒化技術は,輪郭の細部表現能力の向上を目的としている。
これらのイノベーションにより、Contourformerはリアルタイムのパフォーマンスを維持しながら、各インスタンスの安定的で正確なセグメンテーションを実現することができる。
大規模な実験は、SBD、COCO、KINSを含む複数のベンチマークデータセット上で、Contourformerの優れたパフォーマンスを示す。
我々は,既存の最先端手法と比較して総合的な評価を行い,精度と推論速度の両面で有意な改善を示した。
この研究は、輪郭ベースのインスタンスセグメンテーションタスクのための新しいソリューションを提供し、この分野で強力なベースラインメソッドになる可能性があり、将来の研究の基盤となる。
関連論文リスト
- Borrowing Strength in Distributionally Robust Optimization via Hierarchical Dirichlet Processes [35.53901341372684]
提案手法は正規化推定,分布的ロバストな最適化,階層ベイズモデリングを統一する。
階層的ディリクレプロセス(HDP)を用いることで、マルチソースデータを効果的に処理する。
数値実験により,予測精度とパラメータ推定精度の両方の改善と安定化におけるフレームワークの有効性が検証された。
論文 参考訳(メタデータ) (2024-05-21T19:03:09Z) - Dynamic Kernel-Based Adaptive Spatial Aggregation for Learned Image
Compression [63.56922682378755]
本稿では,空間アグリゲーション機能の拡張に焦点をあて,動的カーネルベースの変換符号化を提案する。
提案したアダプティブアグリゲーションはカーネルオフセットを生成し、コンテント条件付き範囲の有効な情報をキャプチャして変換を支援する。
実験により,本手法は,最先端の学習手法と比較して,3つのベンチマークにおいて高い速度歪み性能が得られることを示した。
論文 参考訳(メタデータ) (2023-08-17T01:34:51Z) - Consensus-Adaptive RANSAC [104.87576373187426]
本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。
注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
論文 参考訳(メタデータ) (2023-07-26T08:25:46Z) - Precision-Recall Divergence Optimization for Generative Modeling with
GANs and Normalizing Flows [54.050498411883495]
本研究では,ジェネレーティブ・アドバイサル・ネットワークや正規化フローなどの生成モデルのための新しいトレーニング手法を開発した。
指定された精度-リコールトレードオフを達成することは、textitPR-divergencesと呼ぶ家族からのユニークな$f$-divergenceを最小化することを意味する。
当社のアプローチは,ImageNetなどのデータセットでテストした場合の精度とリコールの両面で,BigGANのような既存の最先端モデルの性能を向上させる。
論文 参考訳(メタデータ) (2023-05-30T10:07:17Z) - Object Representations as Fixed Points: Training Iterative Refinement
Algorithms with Implicit Differentiation [88.14365009076907]
反復的洗練は表現学習に有用なパラダイムである。
トレーニングの安定性とトラクタビリティを向上させる暗黙の差別化アプローチを開発する。
論文 参考訳(メタデータ) (2022-07-02T10:00:35Z) - ConvPoseCNN2: Prediction and Refinement of Dense 6D Object Poses [23.348510362258402]
本稿では,オブジェクトの翻訳と向きを密に予測するPoseCNN法の完全畳み込み拡張を提案する。
これは、方向予測の空間分解能を改善するなど、いくつかの利点がある。
提案手法は,YCB-Videoデータセットにおいて,PoseCNNと同じ精度で実現可能であることを示す。
論文 参考訳(メタデータ) (2022-05-23T08:32:09Z) - SharpContour: A Contour-based Boundary Refinement Approach for Efficient
and Accurate Instance Segmentation [29.051499127975703]
我々は,境界領域の分割に対処するために,SharpContourという名前の効率的な輪郭ベース境界修正手法を提案する。
本手法は、オフセットを個別に更新することで、輪郭を反復的に変形させる。
実験により、SharpContourは高い効率を保ちながら競争上の利益を達成することが示された。
論文 参考訳(メタデータ) (2022-03-24T19:37:20Z) - Real-Time Scene Text Detection with Differentiable Binarization and
Adaptive Scale Fusion [62.269219152425556]
セグメンテーションに基づくシーンテキスト検出手法はシーンテキスト検出分野において大きな注目を集めている。
本稿では,二項化処理をセグメンテーションネットワークに統合する分散二項化(DB)モジュールを提案する。
アダプティブ・スケール・フュージョン (ASF) モジュールは, 異なるスケールの特徴を適応的に融合させることにより, スケールのロバスト性を向上させる。
論文 参考訳(メタデータ) (2022-02-21T15:30:14Z) - Generalizing Interactive Backpropagating Refinement for Dense Prediction [0.0]
本稿では,G-BRSレイヤの集合を導入し,グローバル・ローカライズド・リファインメントとローカライズド・リファインメントの両立を可能にした。
提案手法は,数クリックで既存の事前訓練された最先端モデルの性能を向上する。
論文 参考訳(メタデータ) (2021-12-21T03:52:08Z) - Unsupervised learning of disentangled representations in deep restricted
kernel machines with orthogonality constraints [15.296955630621566]
Constr-DRKMは、非教師なしデータ表現の学習のためのディープカーネル手法である。
本研究では,不整合特徴学習における提案手法の有効性を定量的に評価する。
論文 参考訳(メタデータ) (2020-11-25T11:40:10Z) - Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。
本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
論文 参考訳(メタデータ) (2020-06-10T08:22:41Z)
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。