論文の概要: Predicting Signed Distance Functions for Visual Instance Segmentation
- arxiv url: http://arxiv.org/abs/2608.13135v1
- Date: Thu, 13 Aug 2026 12:09:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.511385
- Title: Predicting Signed Distance Functions for Visual Instance Segmentation
- Title（参考訳）: 視覚インスタンス分割のための符号付き距離関数の予測
- Abstract要約: ニューラルネットワークをトレーニングして、異なる方向の距離マップを計算します。
ネットワークは各画素でトレーニングされ、所定の方向に最も近い物体の輪郭までの距離を予測する。
このセグメンテーションを、最先端のインスタンスセグメンテーション手法YOLACTから得られたフォアグラウンドセグメンテーションと比較する。
- 参考スコア（独自算出の注目度）: 18.936509392453242
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Visual instance segmentation is a challenging problem and becomes even more difficult if objects of interest varies unconstrained in shape. Some objects are well described by a rectangle, however, this is hardly always the case. Consider for instance long, slender objects such as ropes. Anchor-based approaches classify predefined bounding boxes as either negative or positive and thus provide a limited set of shapes that can be handled. Defining anchor-boxes that fit well to all possible shapes leads to an infeasible number of prior boxes. We explore a different approach and propose to train a neural network to compute distance maps along different directions. The network is trained at each pixel to predict the distance to the closest object contour in a given direction. By pooling the distance maps we obtain an approximation to the signed distance function (SDF). The SDF may then be thresholded in order to obtain a foreground-background segmentation. We compare this segmentation to foreground segmentations obtained from the state-of-the-art instance segmentation method YOLACT. On the COCO dataset, our segmentation yields a higher performance in terms of foreground intersection over union (IoU). However, while the distance maps contain information on the individual instances, it is not straightforward to map them to the full instance segmentation. We still believe that this idea is a promising research direction for instance segmentation, as it better captures the different shapes found in the real world.
- Abstract（参考訳）: 視覚的なインスタンスのセグメンテーションは難しい問題であり、興味のあるオブジェクトが非制約で変化するとさらに難しくなります。
いくつかの対象は矩形によってよく説明されるが、必ずしもそうとは限らない。
例えば、ロープのような細い物体を長く考えてみましょう。
アンカーベースのアプローチは、定義済みの有界ボックスを負か正のいずれかとして分類し、処理可能な限られた形状のセットを提供する。
可能なすべての形状に適合するアンカーボックスを定義すると、前のボックスが不可能な数になる。
我々は、異なるアプローチを探求し、異なる方向の距離マップを計算するためにニューラルネットワークを訓練することを提案する。
ネットワークは各画素でトレーニングされ、所定の方向に最も近い物体の輪郭までの距離を予測する。
距離マップをプールすることで、符号付き距離関数(SDF)の近似が得られる。
SDFは、フォアグラウンド-バックグラウンドセグメンテーションを得るためにしきい値を設定することができる。
このセグメンテーションを、最先端のインスタンスセグメンテーション法YOLACTから得られたフォアグラウンドセグメンテーションと比較する。
COCOデータセットでは,このセグメンテーションにより,ユニオン(IoU)とフォアグラウンドの交わりの点で高い性能が得られる。
しかし、距離マップには個々のインスタンスに関する情報が含まれているが、それらを完全なインスタンスセグメンテーションにマッピングするのは容易ではない。
このアイデアは、現実世界で見られるさまざまな形状をよりよく捉えるため、インスタンスセグメンテーションのための有望な研究方向であると考えています。
関連論文リスト
- Boundary-Aware Instance Segmentation in Microscopy Imaging [4.853153612241331]
本稿では,二項マスクの代わりに符号付き距離関数(SDF)を予測する,プロンプトフリーでバウンダリ対応のインスタンスセグメンテーションフレームワークを提案する。
学習されたシグモイド写像は、SDFを確率写像に変換し、鋭い境界ローカライゼーションをもたらす。
訓練は、統一されたハウスドルフ距離(MHD)の喪失によって導かれる。
論文 参考訳（メタデータ） (2026-03-22T12:59:22Z) - View-Consistent Hierarchical 3D Segmentation Using Ultrametric Feature Fields [52.08335264414515]
我々は3次元シーンを表すニューラル・レージアンス・フィールド(NeRF)内の新しい特徴場を学習する。
本手法は、ビュー一貫性の多粒性2Dセグメンテーションを入力とし、3D一貫性のセグメンテーションの階層構造を出力として生成する。
提案手法と,多視点画像と多粒性セグメンテーションを用いた合成データセットのベースラインの評価を行い,精度と視点整合性を向上したことを示す。
論文 参考訳（メタデータ） (2024-05-30T04:14:58Z) - Sparse Instance Activation for Real-Time Instance Segmentation [72.23597664935684]
本稿では,リアルタイムインスタンスセグメンテーションのための概念的・効率的・完全畳み込み型フレームワークを提案する。
SparseInstは非常に高速な推論速度を持ち、COCOベンチマークで40 FPSと37.9 APを達成した。
論文 参考訳（メタデータ） (2022-03-24T03:15:39Z) - 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) - 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) - PointFlow: Flowing Semantics Through Points for Aerial Image
Segmentation [96.76882806139251]
本論文では,FPN(Feature Pyramid Network)フレームワークに基づく点親和性伝播モジュールであるPointFlowを提案する。
密接な親和性学習ではなく、隣接する特徴間の選択された点にスパース親和性マップを生成する。
3つの異なる空中セグメンテーションデータセットの実験結果から,提案手法は最先端の汎用セグメンテーション法よりも効率的かつ効率的であることが示唆された。
論文 参考訳（メタデータ） (2021-03-11T09:42:32Z) - Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。
空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。
提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
論文 参考訳（メタデータ） (2020-11-06T12:17:01Z) - Point-to-set distance functions for weakly supervised segmentation [0.0]
画像科学では、多くのアプリケーションはオブジェクト・バックグラウンド構造を持っておらず、バウンディングボックスは利用できない。
マスクなしでトレーニングする直接的な方法は、セグメンテーションにおけるオブジェクト/クラスのサイズに関する事前知識を使用することである。
本稿では,ネットワーク出力の制約を通した情報を含む新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-27T00:15:13Z) - Instance segmentation of buildings using keypoints [26.220921532554136]
本稿では,高分解能リモートセンシング画像におけるセグメンテーションを構築するための新しいインスタンスセグメンテーションネットワークを提案する。
検出されたキーポイントはその後、建物のセマンティック境界である閉ポリゴンとして再構成される。
我々のネットワークは、幾何学的詳細をよく保存できるボトムアップのインスタンスセグメンテーション手法である。
論文 参考訳（メタデータ） (2020-06-06T13:11:37Z) - Instance Segmentation of Biomedical Images with an Object-aware
Embedding Learned with Local Constraints [7.151685185368064]
State-of-the-artアプローチはセマンティックセグメンテーションまたは洗練されたオブジェクトバウンディングボックスを実行する。
どちらも、隣のオブジェクトをマージしたり、有効なオブジェクトを抑圧したりして、さまざまな程度に混雑するオブジェクトに悩まされる。
本研究では,深層ニューラルネットワークを用いて各画素に埋め込みベクトルを割り当てる。
論文 参考訳（メタデータ） (2020-04-21T08:33:29Z)
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。