文献

J-GLOBAL ID：201702234093491803   整理番号：17A1773230

静止画像からの学習ビデオオブジェクトのセグメンテーション【Powered by NICT】

Learning Video Object Segmentation from Static Images

著者 (5件)： Perazzi Federico ,  Khoreva Anna ,  Benenson Rodrigo ,  Schiele Bernt ,  Sorkine-Hornung Alexander
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： CVPR  ページ： 3491-3500  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 例えばセグメンテーションおよびオブジェクトトラッキング深層学習の最近の進歩に触発されて,ビデオオブジェクトセグメンテーションに適用されるconvnetベース指導の概念を導入した。著者らのモデルはフレーム当り基底,次のフレームにおける関心オブジェクトに向けて,以前のフレームの出力により誘導された上で進行した。ビデオにおける高度に正確なオブジェクトセグメンテーションは,静止画像のみを用いて訓練された畳込みニューラルネットワーク(convnet)を用いて可能にできることを実証した。著者らのアプローチの重要な要素は,オフラインとオンライン学習戦略の組み合わせであり,前者は前のフレーム推定から洗練されたマスクを生成し,後者は,特定のオブジェクトインスタンスの出現を捉えることを可能にした。著者らの方法は,境界ボックスとセグメントのような入力アノテーションの異なるタイプを扱うことができる任意量注釈付きフレームを活用した。従ってこのシステムは精度と効率の点で異なる要件を持つ多様な用途に適している。著者らの広範な評価では,三種類の異なるデータセット上で比肩可能な結果を得るために,入力アノテーションのタイプとは無関係であった。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 基底 ,  *学習 ,  *セグメンテーション ,  畳込み ,  アノテーション ,  *録画装置 ,  ニューラルネットワーク ,  *静止画像
準シソーラス用語： オンライン学習 ,  オブジェクトセグメンテーション ,  深層学習 ,  物体追跡 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 静止画像 ,  学習 ,  ビデオ ,  オブジェクト ,  セグメンテーション