論文の概要: P2Object: Single Point Supervised Object Detection and Instance Segmentation

• arxiv url: http://arxiv.org/abs/2504.07813v1
• Date: Thu, 10 Apr 2025 14:51:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-11 12:20:43.072703
• Title: P2Object: Single Point Supervised Object Detection and Instance Segmentation
• Title（参考訳）: P2Object:シングルポイント監視されたオブジェクト検出とインスタンスセグメンテーション
• Authors: Pengfei Chen, Xuehui Yu, Xumeng Han, Kuiran Wang, Guorong Li, Lingxi Xie, Zhenjun Han, Jianbin Jiao,
• Abstract要約: バランスの取れたtextbftextitinstance レベルの提案バッグを構成する Point-to-Box Network (P2BNet) を導入する。 P2MNetはより正確なバウンディングボックスを生成し、セグメンテーションタスクに一般化することができる。 提案手法は,COCO,VOC,Cityscapesの平均精度において,従来の手法をはるかに上回っている。
• 参考スコア（独自算出の注目度）: 58.778288785355
• License:
• Abstract: Object recognition using single-point supervision has attracted increasing attention recently. However, the performance gap compared with fully-supervised algorithms remains large. Previous works generated class-agnostic \textbf{\textit{proposals in an image}} offline and then treated mixed candidates as a single bag, putting a huge burden on multiple instance learning (MIL). In this paper, we introduce Point-to-Box Network (P2BNet), which constructs balanced \textbf{\textit{instance-level proposal bags}} by generating proposals in an anchor-like way and refining the proposals in a coarse-to-fine paradigm. Through further research, we find that the bag of proposals, either at the image level or the instance level, is established on discrete box sampling. This leads the pseudo box estimation into a sub-optimal solution, resulting in the truncation of object boundaries or the excessive inclusion of background. Hence, we conduct a series exploration of discrete-to-continuous optimization, yielding P2BNet++ and Point-to-Mask Network (P2MNet). P2BNet++ conducts an approximately continuous proposal sampling strategy by better utilizing spatial clues. P2MNet further introduces low-level image information to assist in pixel prediction, and a boundary self-prediction is designed to relieve the limitation of the estimated boxes. Benefiting from the continuous object-aware \textbf{\textit{pixel-level perception}}, P2MNet can generate more precise bounding boxes and generalize to segmentation tasks. Our method largely surpasses the previous methods in terms of the mean average precision on COCO, VOC, SBD, and Cityscapes, demonstrating great potential to bridge the performance gap compared with fully supervised tasks.
• Abstract（参考訳）: 近年,一点監視を用いた物体認識が注目されている。 しかし,完全教師付きアルゴリズムと比較して性能差は大きい。 以前の作業では、クラスに依存しない \textbf{\textit{proposals in an image}} がオフラインで生成され、混合候補を単一のバッグとして扱い、MIL(Multiple Case Learning)に大きな負担がかかる。 本稿では,P2BNet(Point-to-Box Network)を提案する。このネットワークは,アンカーのような方法で提案を生成し,粗大なパラダイムで提案を精査することで,バランスの取れた \textbf{\textit{instance-level proposal bag}} を構築する。 さらなる研究により、画像レベルまたはインスタンスレベルにおける提案の袋が、個別のボックスサンプリングに基づいて確立されていることが判明した。 これは擬似ボックス推定を準最適解に導き、オブジェクト境界の切り離しや背景の過剰な包含をもたらす。 そこで我々はP2BNet++ と Point-to-Mask Network (P2MNet) を連続的に探索する。 P2BNet++は、空間的手がかりをよりよく活用して、およそ連続的な提案サンプリング戦略を実行する。 P2MNetはさらに、ピクセル予測を支援するために低レベル画像情報を導入し、推定ボックスの制限を緩和するために境界自己予測を設計する。 連続オブジェクト認識の \textbf{\textit{pixel-level perception}} により、P2MNet はより正確なバウンディングボックスを生成し、セグメンテーションタスクに一般化することができる。 提案手法は,COCO,VOC,SBD,Cityscapesの平均精度において,従来の手法をはるかに上回り,完全教師付きタスクと比較して性能ギャップを埋める可能性を示す。

関連論文リスト

• Skeleton-Guided Instance Separation for Fine-Grained Segmentation in Microscopy [23.848474219551818]
  顕微鏡(MS)画像解析における基本的な課題の1つは、インスタンスセグメンテーション(IS)である。 我々は,この課題に対処し,MS画像におけるISの精度を高めるために,A2B-ISという新しいワンステージフレームワークを提案する。 提案手法は2つの大規模MSデータセットに対して徹底的に検証されている。
  論文  参考訳（メタデータ） (2024-01-18T11:14:32Z)
• PointOBB: Learning Oriented Object Detection via Single Point Supervision [55.88982271340328]
  本稿では,オブジェクト指向物体検出のための最初の単一点ベース OBB 生成法である PointOBB を提案する。 PointOBBは、オリジナルビュー、リサイズビュー、ローテーション/フリップ(rot/flp)ビューの3つのユニークなビューの協調利用を通じて動作する。 DIOR-RとDOTA-v1.0データセットの実験結果は、PointOBBが有望な性能を達成することを示す。
  論文  参考訳（メタデータ） (2023-11-23T15:51:50Z)
• Point-to-Box Network for Accurate Object Detection via Single Point Supervision [51.95993495703855]
  オフ・ザ・シェルフ提案法(OTSP)の軽量な代替手法を提案する。 P2BNetは、アンカーのような方法で提案を生成することで、オブジェクト間のバランスの取れた提案バッグを構築することができる。 コードはCOCO.com/ucas-vg/P2BNetでリリースされる。
  論文  参考訳（メタデータ） (2022-07-14T11:32:00Z)
• Point Cloud Instance Segmentation with Semi-supervised Bounding-Box Mining [17.69745159912481]
  ラベル付きおよび未ラベルのバウンディングボックスを監視として使用した,最初の半教師付きポイントクラウドインスタンスセグメンテーションフレームワーク(SPIB)を紹介した。 提案手法は,近年の完全教師付き手法と比較して,競争性能が向上する。
  論文  参考訳（メタデータ） (2021-11-30T08:40:40Z)
• Rethinking Counting and Localization in Crowds:A Purely Point-Based Framework [59.578339075658995]
  そこで本稿では,共同クラウドカウントと個別ローカライゼーションのための純粋にポイントベースのフレームワークを提案する。 我々は、P2PNet(Point to Point Network)と呼ばれる、このフレームワークの下で直感的なソリューションを設計する。
  論文  参考訳（メタデータ） (2021-07-27T11:41:50Z)
• Unsupervised Semantic Segmentation by Contrasting Object Mask Proposals [78.12377360145078]
  画素埋め込みを学習するために、コントラスト最適化の目的として、予め決められた事前を取り入れた新しい2段階フレームワークを導入する。 これは、プロキシタスクやエンドツーエンドのクラスタリングに依存する既存の作業から大きく逸脱している。 特に、PASCALでラベル付き例の1%だけを用いて学習した表現を微調整すると、7.1% mIoUで教師付き ImageNet の事前トレーニングを上回ります。
  論文  参考訳（メタデータ） (2021-02-11T18:54:47Z)
• 1st Place Solutions for OpenImage2019 -- Object Detection and Instance Segmentation [116.25081559037872]
  この記事では,2つのチャンピオンチーム,検出トラックのMMfruit'とセグメンテーショントラックのMMfruitSeg'のソリューションについて,OpenImage Challenge 2019で紹介する。 一般に、対象検出器の場合、バックボーンの端の共有特徴は分類と回帰の両方に適さないことが知られている。 自己学習型最適特徴抽出によりオブジェクトの分類と回帰を分離するデカップリングヘッド(DH)を提案する。
  論文  参考訳（メタデータ） (2020-03-17T06:45:07Z)
• Towards Bounding-Box Free Panoptic Segmentation [16.4548904544277]
  パン光学セグメンテーションのための新しいBunding-Box Free Network (BBFNet) を提案する。 BBFNetは、粗い流域レベルを予測し、境界が適切に定義された大きなインスタンス候補を検出するためにそれらを使用する。 境界が信頼性の低い小さなインスタンスでは、BBFNetはHoughの投票によってインスタンス中心を予測し、続いて平均シフトによって小さなオブジェクトを確実に検出する。
  論文  参考訳（メタデータ） (2020-02-18T16:34:01Z)

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。