抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
本論文では,人間のラベル付きデータなしでビデオオブジェクトセグメンテーションのための自己教師つき手法を導入した。具体的には,訓練のためのラベル付けされていないビデオからの色情報のみを用いて,隣接フレーム間のピクセルを整合させる新しい深いアーキテクチャであるロバストピクセルレベルマッチングネットワーク(RPM-Net)を提案した。技術的に,RPM-Netは2つの主要モジュールで分離できる。埋込みモジュールは最初に入力画像を高次元埋込み空間に投影する。次に,変形可能なコンボリューション層を有するマッチングモジュールは,埋め込み特徴に基づいて参照とターゲットフレームの間の画素を一致させた。変形可能なコンボリューションを用いた以前の方法と異なり,著者らのマッチングモジュールは,空間的に隣接するピクセルにおける類似の特徴に焦点を合わせるために変形可能なコンボリ著者らの実験は,選択的特徴サンプリングが,カメラ振れ,高速運動,変形,およびオクルージョンのようなビデオオブジェクトセグメンテーションにおける挑戦的問題に対するロバスト性を改善することを示した。また,3つの公開データセット(すなわち,DAVIS-2017,SegTrack-v2,およびYoutube-Objects)に関する包括的実験を行い,自己管理ビデオオブジェクトセグメンテーションに関する最先端の性能を達成した。さらに,自己教師つきと完全教師つきビデオオブジェクトセグメンテーション(DAVIS-2017検証セット上で41.0%対52.5%)間の性能ギャップを大幅に低減した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】