弱教師付きインスタンスセグメンテーションのためのインスタンス,画像およびデータセットレベル情報の活用【JST・京大機械翻訳】

Liu Yun; Wu Yu-Huan; Wen Peisong; Shi Yujun; Qiu Yu; Cheng Ming-Ming

文献

J-GLOBAL ID：202202285772917922 整理番号：22A0695836

弱教師付きインスタンスセグメンテーションのためのインスタンス,画像およびデータセットレベル情報の活用【JST・京大機械翻訳】

Leveraging Instance-, Image- and Dataset-Level Information for Weakly Supervised Instance Segmentation

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=22A0695836&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=22A0695836&from=J-GLOBAL&jstjournalNo=B0519B") }}

著者 (6件)： , , , , ,
資料名：
巻： 44 号： 3 ページ： 1415-1428 発行年： 2022年
JST資料番号： B0519B ISSN： 0162-8828 CODEN： ITPIDJ 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

高価なピクセルワイズマスクまたは結合ボックスアノテーションに頼る代わりに,画像レベル監視のみによる弱い教師つき意味インスタンスセグメンテーションは,深い学習のデータハンガリー性を緩和するための重要な問題である。本論文では,すべての訓練画像の画像レベル情報を,大きな知識グラフに集約し,このグラフから意味的関係を利用して,この挑戦的な問題に取り組んだ。特に,著者らの努力は,カテゴリー事前のない場合,いくつかの一般的なセグメントベースのオブジェクト提案(SOP)から始まる。画像レベルラベルを持つ訓練画像を用いてエンドツーエンド方式で訓練できる多重インスタンス学習(MIL)フレームワークを提案した。各提案に対して,このMILフレームワークは,確率分布とカテゴリ認識の意味特徴を同時に計算でき,それによって大きな無向グラフを定式化できる。バックグラウンドのカテゴリーもこのグラフに含まれ,大規模雑音オブジェクト提案を除去する。したがって,このグラフの最適マルチウェイカットは,各提案に対して信頼できるカテゴリラベルを割当てることができる。割り当てられたカテゴリラベルを持つ雑音除去SOPは,訓練画像の擬似インスタンスセグメンテーションとして見なされ,完全に教師つきモデルを訓練するために使用される。提案アプローチは,弱教師つきインスタンスセグメンテーションと意味セグメンテーションの両方に対して最先端の性能を達成した。コードはhttps://github.com/yun-liu/LIIDで利用可能である。Copyright 2022 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】

, , , , , , , , , , , , ,
, 【Automatic Indexing@JST】

パターン認識 , 図形・画像処理一般

, , , ,

前のページに戻る