論文の概要: A Turbo-Inference Strategy for Object Detection and Instance Segmentation
- arxiv url: http://arxiv.org/abs/2606.12371v1
- Date: Wed, 10 Jun 2026 17:38:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 16:42:38.599343
- Title: A Turbo-Inference Strategy for Object Detection and Instance Segmentation
- Title（参考訳）: オブジェクト検出とインスタンスセグメンテーションのためのターボ推論戦略
- Authors: Zhen Zhao, Gang Zhang, Xiaolin Hu, Liang Tang,
- Abstract要約: 本稿では,検出タスクとセグメンテーションタスクの相補的な情報を反復的に活用するトップダウン方式のターボ推論戦略を提案する。
本手法は,検出精度とセグメンテーション精度を大幅に向上させ,計算コストを一定に向上させる。
- 参考スコア（独自算出の注目度）: 26.06274613857013
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Object detection and instance segmentation tasks are closely related. Existing top-down instance segmentation methods usually follow a detect-then-segment paradigm, where an initial detector is used to recognize and localize objects with bounding boxes, followed by the segmentation of an instance mask within each bounding box. In such methods, the detection accuracy directly influences the subsequent segmentation performance. However, previous research has seldom explored the impact of the instance segmentation task on object detection. In this paper, we present a turbo-inference strategy for the top-down methods that leverages the complementary information between detection and segmentation tasks iteratively. Specifically we design two modules: turbo-detection head and turbo-segmentation head, which facilitate communication between the tasks. The two modules form a closed loop that interlaces the detection and segmentation results without retraining the model. Comprehensive experiments on the COCO, iFLYTEK, and Cityscapes datasets demonstrate that our method substantially enhances both detection and segmentation accuracies with a certain increase in computational cost. The proposed method represents a tradeoff between prediction accuracy and inference speed. Codes are available at https://github.com/zhaozhen2333/Turbo-Learning.git.
- Abstract（参考訳）: オブジェクト検出とインスタンスセグメンテーションタスクは密接に関連している。
既存のトップダウンのインスタンスセグメンテーションメソッドは通常、初期検出器を使用してバウンディングボックスでオブジェクトを認識およびローカライズし、続いて各バウンディングボックス内のインスタンスマスクのセグメンテーションを行う、検出-then-segmentパラダイムに従っている。
このような方法では、検出精度がその後のセグメンテーション性能に直接影響する。
しかし、これまでの研究では、インスタンス分割タスクがオブジェクト検出に与える影響についてはほとんど研究されていない。
本稿では,検出タスクとセグメンテーションタスクの相補的な情報を反復的に活用するトップダウン方式のターボ推論戦略を提案する。
具体的には,タスク間の通信を容易にするターボ検出ヘッドとターボ分離ヘッドの2つのモジュールを設計する。
2つのモジュールは閉じたループを形成し、モデルを再トレーニングすることなく、検出とセグメンテーションの結果をインターレースする。
また,COCO,iFLYTEK,Cityscapesの各データセットの総合的な実験により,検出精度とセグメンテーション精度をある程度の計算コストで大幅に向上することを示した。
提案手法は,予測精度と推定速度のトレードオフを表す。
コードはhttps://github.com/zhaozhen2333/Turbo-Learning.gitで公開されている。
関連論文リスト
- A Simple Framework for Open-Vocabulary Segmentation and Detection [85.21641508535679]
我々は,異なるセグメンテーションと検出データセットから共同で学習する,シンプルなオープン語彙検出フレームワークOpenSeeDを提案する。
まず、事前学習されたテキストエンコーダを導入し、視覚概念を2つのタスクにエンコードし、それらの共通意味空間を学習する。
プレトレーニング後,本モデルでは,セグメンテーションと検出の両方において,競争力あるいは強いゼロショット転送性を示す。
論文 参考訳（メタデータ） (2023-03-14T17:58:34Z) - A Multi-task Framework for Infrared Small Target Detection and
Segmentation [9.033048310220346]
赤外線小ターゲット検出とセグメンテーションのための新しいエンドツーエンドフレームワークを提案する。
UNetをバックボーンとして、解像度とセマンティック情報を維持するために使用しています。
我々は、赤外線小ターゲット検出とセグメンテーションのためのマルチタスクフレームワークを開発した。
論文 参考訳（メタデータ） (2022-06-14T15:43:34Z) - Prototypical Cross-Attention Networks for Multiple Object Tracking and
Segmentation [95.74244714914052]
複数のオブジェクトのトラッキングとセグメンテーションには、与えられたクラスのセットに属するオブジェクトを検出し、追跡し、セグメンテーションする必要がある。
オンライン上でリッチ・テンポラル情報を活用するプロトタイプ・クロス・アテンション・ネットワーク(PCAN)を提案する。
PCANは、Youtube-VISとBDD100Kデータセットで、現在のビデオインスタンス追跡とセグメンテーションコンテストの勝者を上回っている。
論文 参考訳（メタデータ） (2021-06-22T17:57:24Z) - Object-Guided Instance Segmentation With Auxiliary Feature Refinement
for Biological Images [58.914034295184685]
サンプルセグメンテーションは、神経細胞相互作用の研究、植物の表現型化、細胞が薬物治療にどう反応するかを定量的に測定するなど、多くの生物学的応用において非常に重要である。
Boxベースのインスタンスセグメンテーションメソッドは、バウンディングボックスを介してオブジェクトをキャプチャし、各バウンディングボックス領域内で個々のセグメンテーションを実行する。
提案手法は,まずオブジェクトの中心点を検出し,そこから境界ボックスパラメータが予測される。
セグメンテーションブランチは、オブジェクト特徴をガイダンスとして再利用し、同じバウンディングボックス領域内の隣のオブジェクトからターゲットオブジェクトを分離する。
論文 参考訳（メタデータ） (2021-06-14T04:35:36Z) - SegmentMeIfYouCan: A Benchmark for Anomaly Segmentation [111.61261419566908]
ディープニューラルネットワーク(DNN)は通常、閉集合のセマンティッククラスで訓練される。
未発見のオブジェクトを扱うには不備だ。
このような物体の検出と局在化は、自動運転の認識などの安全クリティカルなアプリケーションに不可欠です。
論文 参考訳（メタデータ） (2021-04-30T07:58:19Z) - Target-Aware Object Discovery and Association for Unsupervised Video
Multi-Object Segmentation [79.6596425920849]
本稿では,教師なしビデオマルチオブジェクトセグメンテーションの課題について述べる。
より正確で効率的な時間区分のための新しいアプローチを紹介します。
DAVIS$_17$とYouTube-VISに対する提案手法を評価した結果,セグメント化精度と推論速度の両方において最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-04-10T14:39:44Z) - Deep Variational Instance Segmentation [7.334808870313923]
State-of-the-artアルゴリズムは、しばしば2つの別々のステージを使用し、最初の1つはオブジェクトの提案を生成し、もう1つは境界を認識して修正する。
完全畳み込みネットワーク(FCN)を直接利用して,インスタンスラベルを予測する新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-22T17:57:49Z) - 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。