Fugu-MT 論文翻訳(概要): Ensemble Foreground Management for Unsupervised Object Discovery

論文の概要: Ensemble Foreground Management for Unsupervised Object Discovery

arxiv url: http://arxiv.org/abs/2507.20860v1
Date: Mon, 28 Jul 2025 14:14:06 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-29 16:23:58.153159
Title: Ensemble Foreground Management for Unsupervised Object Discovery
Title（参考訳）: 教師なし物体発見のためのアンサンブルフォアグラウンド管理
Authors: Ziling Wu, Armaghan Moemeni, Praminda Caleb-Solly,
Abstract要約: Unsupervised Object Discovery (UOD) は、手作りのアノテーションなしで2次元画像中のオブジェクトを検出し、セグメント化することを目的としている。本稿では, ミンカット法とアンサンブル法を基礎とした, 頑健でしっかりとした前景であるUnionCutを紹介する。また、より効率的に正確に前景ユニオンを出力するUnionCutの蒸留トランスフォーマーであるUnionSegを提案する。
参考スコア（独自算出の注目度）: 2.8515870778304127
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Unsupervised object discovery (UOD) aims to detect and segment objects in 2D images without handcrafted annotations. Recent progress in self-supervised representation learning has led to some success in UOD algorithms. However, the absence of ground truth provides existing UOD methods with two challenges: 1) determining if a discovered region is foreground or background, and 2) knowing how many objects remain undiscovered. To address these two problems, previous solutions rely on foreground priors to distinguish if the discovered region is foreground, and conduct one or fixed iterations of discovery. However, the existing foreground priors are heuristic and not always robust, and a fixed number of discoveries leads to under or over-segmentation, since the number of objects in images varies. This paper introduces UnionCut, a robust and well-grounded foreground prior based on min-cut and ensemble methods that detects the union of foreground areas of an image, allowing UOD algorithms to identify foreground objects and stop discovery once the majority of the foreground union in the image is segmented. In addition, we propose UnionSeg, a distilled transformer of UnionCut that outputs the foreground union more efficiently and accurately. Our experiments show that by combining with UnionCut or UnionSeg, previous state-of-the-art UOD methods witness an increase in the performance of single object discovery, saliency detection and self-supervised instance segmentation on various benchmarks. The code is available at https://github.com/YFaris/UnionCut.
Abstract（参考訳）: Unsupervised Object Discovery (UOD) は、手作りのアノテーションなしで2次元画像中のオブジェクトを検出し、セグメント化することを目的としている。自己教師付き表現学習の最近の進歩は、UODアルゴリズムにいくつかの成功をもたらしている。しかし、根底的真理の欠如は、既存の UOD メソッドに2つの課題を与えている。 1)発見された地域が前景か背景かを判断し、 2) いくつのオブジェクトがまだ発見されていないかを知る。これら2つの問題に対処するため、前の解は前景の先行に頼り、発見された領域が前景であるかどうかを判別し、発見の1回または1回の繰り返しを実行する。しかし、既存の前景の前景はヒューリスティックであり、常に頑丈ではないため、画像中の物体の数が異なるため、一定の数の発見が下層または過密化につながる。本稿では,画像の前景領域の結合を検知するmin-cut法とアンサンブル法に基づく,前景の頑健でしっかりとした前景であるUnionCutを紹介する。さらに,前景ユニオンをより効率的に正確に出力するUnionCutの蒸留変圧器であるUnionSegを提案する。我々の実験は、UnionCutやUnionSegと組み合わせることで、従来の最先端のUDDメソッドは、様々なベンチマークで単一オブジェクトの検出、サリエンシ検出、自己管理インスタンスセグメンテーションのパフォーマンスが向上することを示した。コードはhttps://github.com/YFaris/UnionCut.comで入手できる。

関連論文リスト

Continuous Memory Representation for Anomaly Detection [24.58611060347548]
CRADは「連続的」メモリ内の正常な特徴を表現するための新しい異常検出手法である。 MVTec ADデータセットを用いた評価では、CRADは、マルチクラス統一異常検出におけるエラーの65.0%を削減し、従来の最先端手法よりも大幅に優れている。
論文参考訳（メタデータ） (2024-02-28T12:38:44Z)
Semi-supervised Open-World Object Detection [74.95267079505145]
半教師付きオープンワールド検出(SS-OWOD)という,より現実的な定式化を導入する。提案したSS-OWOD設定では,最先端OWOD検出器の性能が劇的に低下することが実証された。我々は,MS COCO, PASCAL, Objects365, DOTAの4つのデータセットを用いた実験を行い, 提案手法の有効性を実証した。
論文参考訳（メタデータ） (2024-02-25T07:12:51Z)
Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
論文参考訳（メタデータ） (2023-07-07T04:03:48Z)
SalienDet: A Saliency-based Feature Enhancement Algorithm for Object Detection for Autonomous Driving [160.57870373052577]
未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
論文参考訳（メタデータ） (2023-05-11T16:19:44Z)
SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
論文参考訳（メタデータ） (2023-04-10T11:10:42Z)
Image Segmentation-based Unsupervised Multiple Objects Discovery [1.7674345486888503]
教師なしオブジェクト発見は、イメージ内のオブジェクトをローカライズすることを目的としている。我々は,複数のオブジェクトの発見に対して,完全に教師なしのボトムアップアプローチを提案する。我々は、教師なしクラス非依存オブジェクト検出と教師なしイメージセグメンテーションの両方に対して、最先端の結果を提供する。
論文参考訳（メタデータ） (2022-12-20T09:48:24Z)
OBBStacking: An Ensemble Method for Remote Sensing Object Detection [3.3732000156613635]
本稿では,OBBと互換性のあるアンサンブル手法であるOBBStackingを提案する。 DOTAデータセットとFAIR1Mデータセットの実験では、OBBStackingのパフォーマンスが改善された。
論文参考訳（メタデータ） (2022-09-27T13:17:06Z)
SIOD: Single Instance Annotated Per Category Per Image for Object Detection [67.64774488115299]
画像内の既存のカテゴリ毎に1つのインスタンスアノテーションのみを必要とする単一インスタンスアノテーションオブジェクト検出(SIOD)を提案する。 WSOD(Inter-task)やSSOD(Inter-image)の相違点からイメージ内の相違点に分解されたSIODは、ラベルなしインスタンスの残りをマイニングする上で、より信頼性が高く豊富な事前知識を提供する。 SIOD設定下では、類似性に基づく擬似ラベル生成モジュール(SPLG)と、Pixelレベルのグループコントラスト学習モジュール(PGCL)からなる、シンプルで効果的なフレームワークであるDual-Mining(DMiner)を提案する。
論文参考訳（メタデータ） (2022-03-29T08:49:51Z)

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。