論文の概要: Occlusion-Ordered Semantic Instance Segmentation

• arxiv url: http://arxiv.org/abs/2504.14054v1
• Date: Fri, 18 Apr 2025 19:52:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 05:36:03.484501
• Title: Occlusion-Ordered Semantic Instance Segmentation
• Title（参考訳）: Occlusion-ordered Semantic Instance Segmentation
• Authors: Soroosh Baselizadeh, Cheuk-To Yu, Olga Veksler, Yuri Boykov,
• Abstract要約: Occlusion-ordered Instance and segmentation of Instance (OOSIS) 我々は、オブジェクト指向の閉塞境界とセマンティックセグメンテーションからインスタンスとその順序を同時に抽出するOOSISへのアプローチを開発する。 KINSおよびCOCOAデータセット上での強いベースラインよりも優れたパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 14.767310282538688
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Standard semantic instance segmentation provides useful, but inherently 2D information from a single image. To enable 3D analysis, one usually integrates absolute monocular depth estimation with instance segmentation. However, monocular depth is a difficult task. Instead, we leverage a simpler single-image task, occlusion-based relative depth ordering, providing coarser but useful 3D information. We show that relative depth ordering works more reliably from occlusions than from absolute depth. We propose to solve the joint task of relative depth ordering and segmentation of instances based on occlusions. We call this task Occlusion-Ordered Semantic Instance Segmentation (OOSIS). We develop an approach to OOSIS that extracts instances and their occlusion order simultaneously from oriented occlusion boundaries and semantic segmentation. Unlike popular detect-and-segment framework for instance segmentation, combining occlusion ordering with instance segmentation allows a simple and clean formulation of OOSIS as a labeling problem. As a part of our solution for OOSIS, we develop a novel oriented occlusion boundaries approach that significantly outperforms prior work. We also develop a new joint OOSIS metric based both on instance mask accuracy and correctness of their occlusion order. We achieve better performance than strong baselines on KINS and COCOA datasets.
• Abstract（参考訳）: 標準的なセマンティックインスタンスセグメンテーションは有用だが、本質的には単一のイメージから2D情報を提供する。 3D解析を可能にするために、通常、絶対的な単分子深度推定とインスタンスセグメンテーションを統合する。 しかし、単分子深度は難しい課題である。 代わりに、より単純な単一イメージタスク、オクルージョンベースの相対深度順序付けを活用し、粗いが有用な3D情報を提供する。 相対深度順序付けは絶対深度よりもオクルージョンから確実に機能することを示す。 本稿では,オクルージョンに基づく相対的な深度順序付けとインスタンスのセグメンテーションという共同作業を解決することを提案する。 我々はこのタスクをOcclusion-Ordered Semantic Instance Segmentation (OOSIS)と呼ぶ。 我々は,オブジェクト指向のオクルージョン境界とセマンティックセグメンテーションから,インスタンスとそのオクルージョン順序を同時に抽出するOOSISへのアプローチを開発する。 インスタンスセグメンテーションの一般的な検出とセグメンテーションフレームワークとは異なり、オクルージョン順序付けとインスタンスセグメンテーションを組み合わせることで、OOSISをラベル付け問題としてシンプルかつクリーンに定式化することができる。 OOSISのソリューションの一部として、我々は、先行作業を大幅に上回る、オブジェクト指向の閉塞境界アプローチを開発しました。 また,ケースマスクの精度とオクルージョン順序の正当性に基づいて,新しい共同OSIS尺度を開発した。 KINSおよびCOCOAデータセット上での強いベースラインよりも優れたパフォーマンスを実現する。

関連論文リスト

• LESS: Label-Efficient and Single-Stage Referring 3D Segmentation [55.06002976797879]
  参照3Dは、クエリの文で記述された3Dポイントクラウドから、指定されたオブジェクトのすべてのポイントをセグメントする視覚言語タスクである。 本稿では,LESSと呼ばれるレファレンス3次元パイプラインを提案する。 ScanReferデータセット上での最先端のパフォーマンスは、バイナリラベルのみを使用して、以前の3.7% mIoUの手法を上回ります。
  論文  参考訳（メタデータ） (2024-10-17T07:47:41Z)
• Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
  3Dセグメンテーションはコンピュータビジョンの中核的な問題である。 完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。 半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
  論文  参考訳（メタデータ） (2024-09-12T14:54:31Z)
• Instance Consistency Regularization for Semi-Supervised 3D Instance Segmentation [50.51125319374404]
  ラベルのないデータから純粋なインスタンス知識を探索し活用するための,新たな自己学習ネットワークInsTeacher3Dを提案する。 複数の大規模データセットの実験結果から、InsTeacher3Dは最先端の半教師付きアプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2024-06-24T16:35:58Z)
• Weakly Supervised 3D Instance Segmentation without Instance-level Annotations [57.615325809883636]
  3Dセマンティックシーン理解タスクは、ディープラーニングの出現によって大きな成功を収めた。 本稿では,分類的セマンティックラベルのみを監督対象とする,弱制御型3Dインスタンスセマンティクス手法を提案する。 分類的セマンティックラベルから擬似インスタンスラベルを生成することで,アノテーションコストの低減で既存の3Dインスタンスセグメンテーションの学習を支援することができる。
  論文  参考訳（メタデータ） (2023-08-03T12:30:52Z)
• Collaborative Propagation on Multiple Instance Graphs for 3D Instance Segmentation with Single-point Supervision [63.429704654271475]
  本稿では,1つのオブジェクトを1つのポイントでラベル付けするだけでよい,弱教師付き手法RWSegを提案する。 これらの疎いラベルにより、セマンティック情報とインスタンス情報を伝達する2つの分岐を持つ統一的なフレームワークを導入する。 具体的には、異なるインスタンスグラフ間の競合を促進するクロスグラフ競合ランダムウォークス(CRW)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-10T02:14:39Z)
• BBBD: Bounding Box Based Detector for Occlusion Detection and Order Recovery [0.0]
  オクルージョンハンドリングは、オブジェクトの検出とセグメンテーション、シーン理解の課題の1つである。 トレーニングなしで両方の操作を実行でき、モーダルセグメンテーションマスクのみを必要とする、よりシンプルで高速な手法を提案する。
  論文  参考訳（メタデータ） (2022-04-27T10:56:18Z)
• SOLO: A Simple Framework for Instance Segmentation [84.00519148562606]
  インスタンスカテゴリ"は、インスタンスの場所に応じて、インスタンス内の各ピクセルにカテゴリを割り当てる。 SOLO"は、強力なパフォーマンスを備えたインスタンスセグメンテーションのための、シンプルで、直接的で、高速なフレームワークです。 提案手法は, 高速化と精度の両面から, 実例分割の最先端結果を実現する。
  論文  参考訳（メタデータ） (2021-06-30T09:56:54Z)
• Spatial Semantic Embedding Network: Fast 3D Instance Segmentation with Deep Metric Learning [5.699350798684963]
  ディープラーニングを用いた3次元インスタンスセグメンテーションのための,単純かつ効率的なアルゴリズムを提案する。 大規模シーンからの高レベルのインテリジェントなタスクに対して、3Dインスタンスセグメンテーションはオブジェクトの個々のインスタンスを認識する。 我々は,ScanNet 3D インスタンス分割ベンチマークにおいて,我々のアルゴリズムの最先端性能をAPスコアで示す。
  論文  参考訳（メタデータ） (2020-07-07T02:17:44Z)
• BANet: Bidirectional Aggregation Network with Occlusion Handling for Panoptic Segmentation [30.008473359758632]
  Panoptic segmentationは、フォアグラウンドインスタンスのインスタンスセグメンテーションと、バックグラウンドオブジェクトのセマンティックセグメンテーションを同時に行うことを目的としている。 本稿では,双方向学習パイプラインに基づく新しい深部汎視的セグメンテーション手法を提案する。 COCOパン光学ベンチマーク実験の結果,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-03-31T08:57:14Z)

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。