論文の概要: BoxSeg: Quality-Aware and Peer-Assisted Learning for Box-supervised Instance Segmentation

• arxiv url: http://arxiv.org/abs/2504.05137v1
• Date: Mon, 07 Apr 2025 14:42:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:10:59.946531
• Title: BoxSeg: Quality-Aware and Peer-Assisted Learning for Box-supervised Instance Segmentation
• Title（参考訳）: BoxSeg: ボックス管理インスタンスセグメンテーションのための品質意識とピアアシスト学習
• Authors: Jinxiang Lai, Wenlong Wu, Jiawei Zhan, Jian Li, Bin-Bin Gao, Jun Liu, Jie Zhang, Song Guo,
• Abstract要約: 品質認識モジュール(QAM)とピアアシストコピーペースト(PC)を含むBoxSegフレームワークを提案する。 QAMは高品質な擬似マスクを取得し、ノイズマスクの効果を低減するためにマスクの品質をよりよく測定する。 PCは、Pier-Assisted Learningを模倣し、取得した高品質の擬似マスクのガイダンスにより、低品質マスクの品質をさらに向上する。
• 参考スコア（独自算出の注目度）: 20.56716487094941
• License:
• Abstract: Box-supervised instance segmentation methods aim to achieve instance segmentation with only box annotations. Recent methods have demonstrated the effectiveness of acquiring high-quality pseudo masks under the teacher-student framework. Building upon this foundation, we propose a BoxSeg framework involving two novel and general modules named the Quality-Aware Module (QAM) and the Peer-assisted Copy-paste (PC). The QAM obtains high-quality pseudo masks and better measures the mask quality to help reduce the effect of noisy masks, by leveraging the quality-aware multi-mask complementation mechanism. The PC imitates Peer-Assisted Learning to further improve the quality of the low-quality masks with the guidance of the obtained high-quality pseudo masks. Theoretical and experimental analyses demonstrate the proposed QAM and PC are effective. Extensive experimental results show the superiority of our BoxSeg over the state-of-the-art methods, and illustrate the QAM and PC can be applied to improve other models.
• Abstract（参考訳）: Boxが管理するインスタンスセグメンテーションメソッドは、ボックスアノテーションだけでインスタンスセグメンテーションを実現することを目的としている。 近年,教師・学生の枠組みの下で,高品質な仮面の取得の有効性が実証されている。 この基盤を基盤として,Quality-Aware Module (QAM) と Peer-assisted Copy-paste (PC) という2つの新しいモジュールと一般的なモジュールを包含するBoxSegフレームワークを提案する。 QAMは、高品質な擬似マスクを取得し、高品質なマルチマスク補完機構を活用することにより、ノイズマスクの効果を低減するためにマスク品質をよりよく測定する。 PCは、Pier-Assisted Learningを模倣し、取得した高品質の擬似マスクのガイダンスにより、低品質マスクの品質をさらに向上する。 理論的および実験的分析により,提案したQAMとPCの有効性が示された。 大規模実験の結果,最先端手法よりもBoxSegの方が優れており,QAMとPCが他のモデルの改善に有効であることが示された。

関連論文リスト

• Bringing Masked Autoencoders Explicit Contrastive Properties for Point Cloud Self-Supervised Learning [116.75939193785143]
  画像領域における視覚変換器(ViT)のコントラスト学習(CL)は、従来の畳み込みバックボーンのCLに匹敵する性能を達成した。 ViTで事前訓練した3Dポイントクラウドでは、マスク付きオートエンコーダ(MAE)モデリングが主流である。
  論文  参考訳（メタデータ） (2024-07-08T12:28:56Z)
• PM-VIS: High-Performance Box-Supervised Video Instance Segmentation [30.453433078039133]
  Box-supervised Video Instance (VIS) メソッドは、労働集約的なアノテーションプロセスを緩和する実行可能なソリューションとして登場した。 我々は、インスタンスボックスアノテーションを利用して、高品質なインスタンス擬似マスクを生成する新しいアプローチを導入する。 我々のPM-VISモデルは、高品質な擬似マスクアノテーションで訓練され、事例マスク予測における強力な能力を示す。
  論文  参考訳（メタデータ） (2024-04-22T04:25:02Z)
• Contrastive Pre-Training with Multi-View Fusion for No-Reference Point Cloud Quality Assessment [49.36799270585947]
  No-Reference Point Cloud Quality Assessment (NR-PCQA) は、歪んだ点雲の知覚的品質を、参照なしで自動的に評価することを目的としている。 我々は,PCQA(CoPA)に適した新しいコントラスト付き事前学習フレームワークを提案する。 提案手法は,最新のPCQA手法よりも高い性能を示す。
  論文  参考訳（メタデータ） (2024-03-15T07:16:07Z)
• Understanding Masked Autoencoders From a Local Contrastive Perspective [80.57196495601826]
  Masked AutoEncoder (MAE)は、シンプルだが効果的なマスキングと再構築戦略によって、自己指導型学習の分野に革命をもたらした。 そこで我々は,MaEの再構成的側面とコントラスト的側面の両方を解析するために,ローカルコントラストMAEと呼ばれる新しい経験的枠組みを導入する。
  論文  参考訳（メタデータ） (2023-10-03T12:08:15Z)
• Boosting Weakly-Supervised Image Segmentation via Representation, Transform, and Compensator [26.991314511807907]
  既存のWSISアプローチでは多段階の訓練手順が広く使われており、質の高い擬似マスクを基礎として取得している。 そこで本研究では,Symese ネットワークとコントラスト学習を用いて,クラスアクティベーションマップ(CAM)の品質を向上し,自己補充プロセスを実現するための,新しいワンステージ WSIS 手法を提案する。 PASCAL VOC 2012データセットでは67.2%と68.76%のmIoUを達成した。
  論文  参考訳（メタデータ） (2023-09-02T09:07:25Z)
• Improving Masked Autoencoders by Learning Where to Mask [65.89510231743692]
  マスケ画像モデリングは視覚データに対する有望な自己教師型学習手法である。 本稿では,Gumbel-Softmax を用いて,対向学習マスク生成装置とマスク誘導画像モデリングプロセスとを相互接続するフレームワーク AutoMAE を提案する。 実験の結果,AutoMAEは,標準の自己監督型ベンチマークや下流タスクに対して,効果的な事前学習モデルを提供することがわかった。
  論文  参考訳（メタデータ） (2023-03-12T05:28:55Z)
• BoxTeacher: Exploring High-Quality Pseudo Labels for Weakly Supervised Instance Segmentation [33.64088504387974]
  BoxTeacherは、高性能に教師付きされたインスタンスセグメンテーションのための効率的でエンドツーエンドのトレーニングフレームワークである。 疑似マスクの質を推定するために,マスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスを適応的に最適化する。
  論文  参考訳（メタデータ） (2022-10-11T06:23:30Z)
• Self-Supervised Visual Representations Learning by Contrastive Mask Prediction [129.25459808288025]
  視覚表現学習のための新しいコントラストマスク予測(CMP)タスクを提案する。 MaskCoは、ビューレベルの機能ではなく、リージョンレベルの機能と対比している。 我々は、ImageNet以外のデータセットのトレーニングでMaskCoを評価し、そのパフォーマンスをMoCo V2と比較した。
  論文  参考訳（メタデータ） (2021-08-18T02:50:33Z)
• Improving Self-supervised Pre-training via a Fully-Explored Masked Language Model [57.77981008219654]
  Masked Language Model (MLM)フレームワークは、自己教師型言語事前学習に広く採用されている。 そこで本研究では,テキストシーケンスを複数の非重複セグメントに分割するマスキング手法を提案する。
  論文  参考訳（メタデータ） (2020-10-12T21:28:14Z)

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。