論文の概要: From Semantic To Instance: A Semi-Self-Supervised Learning Approach

• arxiv url: http://arxiv.org/abs/2506.16563v1
• Date: Thu, 19 Jun 2025 19:38:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.235189
• Title: From Semantic To Instance: A Semi-Self-Supervised Learning Approach
• Title（参考訳）: セマンティックからインスタンスへ - 半自己監督型学習アプローチ
• Authors: Keyhan Najafian, Farhad Maleki, Lingling Jin, Ian Stavness,
• Abstract要約: 本稿では,高パフォーマンスなインスタンスセグメンテーションモデルを開発するために,最小限の手動アノテーションを必要とする半自己教師型学習手法を提案する。 GLMaskは、色特徴への依存を最小限に抑えつつ、形状、テクスチャ、パターンにフォーカスするモデルのためのイメージマスク表現である。 提案手法は従来のインスタンスセグメンテーションモデルを大幅に上回り、mAP@50の98.5%の最先端の小麦ヘッドインスタンスセグメンテーションモデルを確立する。
• 参考スコア（独自算出の注目度）: 6.092973123903838
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Instance segmentation is essential for applications such as automated monitoring of plant health, growth, and yield. However, extensive effort is required to create large-scale datasets with pixel-level annotations of each object instance for developing instance segmentation models that restrict the use of deep learning in these areas. This challenge is more significant in images with densely packed, self-occluded objects, which are common in agriculture. To address this challenge, we propose a semi-self-supervised learning approach that requires minimal manual annotation to develop a high-performing instance segmentation model. We design GLMask, an image-mask representation for the model to focus on shape, texture, and pattern while minimizing its dependence on color features. We develop a pipeline to generate semantic segmentation and then transform it into instance-level segmentation. The proposed approach substantially outperforms the conventional instance segmentation models, establishing a state-of-the-art wheat head instance segmentation model with mAP@50 of 98.5%. Additionally, we assessed the proposed methodology on the general-purpose Microsoft COCO dataset, achieving a significant performance improvement of over 12.6% mAP@50. This highlights that the utility of our proposed approach extends beyond precision agriculture and applies to other domains, specifically those with similar data characteristics.
• Abstract（参考訳）: インスタンスセグメンテーションは、植物の健康、成長、収量の自動モニタリングなどのアプリケーションに不可欠である。 しかし、これらの領域でのディープラーニングの使用を制限するインスタンスセグメンテーションモデルを開発するために、各オブジェクトインスタンスのピクセルレベルのアノテーションを持つ大規模なデータセットを作成するには、広範囲の努力が必要である。 この課題は、農業でよく見られる、密集した、密集した自己隠蔽物体の画像においてより重要である。 この課題に対処するために、我々は、パフォーマンスの高いインスタンスセグメンテーションモデルを開発するために、最小限の手動アノテーションを必要とする半自己教師付き学習手法を提案する。 色特徴への依存を最小限に抑えつつ、形状、テクスチャ、パターンに焦点を当てたモデルのための画像マスク表現であるGLMaskを設計する。 セマンティックセグメンテーションを生成するパイプラインを開発し、それをインスタンスレベルのセグメンテーションに変換する。 提案手法は従来のインスタンスセグメンテーションモデルを大幅に上回り、mAP@50の98.5%の最先端の小麦ヘッドインスタンスセグメンテーションモデルを確立する。 さらに、提案手法を汎用的なMicrosoft COCOデータセット上で評価し、12.6%のmAP@50で大幅なパフォーマンス向上を実現した。 このことは,提案手法が精密農業を超えて,他の分野,特に類似したデータ特性を持つ分野にも適用可能であることを強調している。

関連論文リスト

• Segment Concealed Objects with Incomplete Supervision [63.637733655439334]
  不完全なスーパービジョン・コンセサイテッド・オブジェクト(ISCOS)は、周囲の環境にシームレスにブレンドするオブジェクトを分割する。 このタスクは、不完全な注釈付きトレーニングデータによって提供される限られた監督のため、非常に難しいままである。 本稿では,これらの課題に対処するためのISCOSの統一手法について紹介する。
  論文  参考訳（メタデータ） (2025-06-10T16:25:15Z)
• Unsupervised Class Generation to Expand Semantic Segmentation Datasets [9.144948836224078]
  基礎となるアルゴリズムを変更することなく、トレーニングデータに新しいサンプルを導入する。 モデルが新しいクラスをセグメンテーションする方法を効果的に学べるだけでなく、平均性能は51% IoUであり、既存のクラスに対するエラーを減らすことができることを示す。
  論文  参考訳（メタデータ） (2025-01-04T11:53:13Z)
• A Plug-and-Play Method for Rare Human-Object Interactions Detection by Bridging Domain Gap [50.079224604394]
  textbfContext-textbfEnhanced textbfFeature textbfAment (CEFA) と呼ばれる新しいモデルに依存しないフレームワークを提案する。 CEFAは機能アライメントモジュールとコンテキスト拡張モジュールで構成される。 本手法は, 稀なカテゴリにおけるHOIモデルの検出性能を向上させるために, プラグアンドプレイモジュールとして機能する。
  論文  参考訳（メタデータ） (2024-07-31T08:42:48Z)
• Explore In-Context Segmentation via Latent Diffusion Models [132.26274147026854]
  インコンテキストセグメンテーションは、与えられた参照画像を使ってオブジェクトをセグメンテーションすることを目的としている。 既存のほとんどのアプローチでは、視覚的プロンプトと入力画像クエリの相関を構築するために、メトリックラーニングやマスク付きイメージモデリングを採用しています。 この研究は、新しい視点から問題にアプローチし、コンテキスト内セグメンテーションのための潜在拡散モデルの能力を解き放つ。
  論文  参考訳（メタデータ） (2024-03-14T17:52:31Z)
• Task-Specific Adaptation of Segmentation Foundation Model via Prompt Learning [7.6136466242670435]
  本稿では,Segment Anything Model(SAM)に適合した即時学習によるセグメンテーション基礎モデルのタスク固有適応を提案する。 本手法は,入力プロンプトを組込み空間に調整し,目的タスクの特異性に適合させるプロンプト学習モジュールを含む。 様々なセグメンテーションシナリオに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-03-14T09:13:51Z)
• Synthetic Instance Segmentation from Semantic Image Segmentation Masks [15.477053085267404]
  我々は、Synthetic Instance(SISeg)と呼ばれる新しいパラダイムを提案する。 SISegインスタンスセグメンテーションの結果は、既存のセマンティックセグメンテーションモデルによって生成されたイメージマスクを活用する。 言い換えれば、提案モデルは余分な人力や高い計算コストを必要としない。
  論文  参考訳（メタデータ） (2023-08-02T05:13:02Z)
• Weakly-Supervised Concealed Object Segmentation with SAM-based Pseudo Labeling and Multi-scale Feature Grouping [40.07070188661184]
  Wakly-Supervised Concealed Object (WSCOS) は、周囲の環境とうまく融合したオブジェクトを分割することを目的としている。 内在的な類似性のため、背景から隠された物体を区別することは困難である。 これら2つの課題に対処する新しいWSCOS手法を提案する。
  論文  参考訳（メタデータ） (2023-05-18T14:31:34Z)
• Active Pointly-Supervised Instance Segmentation [106.38955769817747]
  アクティブポイント制御型インスタンスセグメンテーション(APIS)という,経済的なアクティブな学習環境を提案する。 APISはボックスレベルのアノテーションから始まり、ボックス内のポイントを反復的にサンプリングし、オブジェクトに落ちているかどうかを問う。 これらの戦略で開発されたモデルは、挑戦的なMS-COCOデータセットに対して一貫したパフォーマンス向上をもたらす。
  論文  参考訳（メタデータ） (2022-07-23T11:25:24Z)
• SCNet: Enhancing Few-Shot Semantic Segmentation by Self-Contrastive Background Prototypes [56.387647750094466]
  Few-shot セマンティックセマンティックセマンティクスは,クエリイメージ内の新規クラスオブジェクトを,アノテーション付きの例で分割することを目的としている。 先進的なソリューションのほとんどは、各ピクセルを学習した前景のプロトタイプに合わせることでセグメンテーションを行うメトリクス学習フレームワークを利用している。 このフレームワークは、前景プロトタイプのみとのサンプルペアの不完全な構築のために偏った分類に苦しんでいます。
  論文  参考訳（メタデータ） (2021-04-19T11:21:47Z)

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。