Automatic universal taxonomies for multi-domain semantic segmentation

要約

複数のデータセットでセマンティック セグメンテーション モデルをトレーニングすることは、コンピューター ビジョン コミュニティで最近多くの関心を集めています。
この関心は、高価な注釈と、複数の視覚的領域にわたって熟達したいという願望によって動機付けられてきました。
ただし、確立されたデータセットには相互に互換性のないラベルがあり、実際の原則に基づく推論を混乱させます。
反復的なデータセット統合による普遍的な分類法の自動構築により、この問題に対処します。
私たちの方法は、データセット固有のラベル間のサブセットとスーパーセットの関係を検出し、スーパークラスを部分ラベルとして扱うことにより、サブクラスのロジットの学習をサポートします。
標準データセットのコレクションに関する実験を提示し、以前の作業に関して競争力のある一般化パフォーマンスを示します。

要約(オリジナル)

Training semantic segmentation models on multiple datasets has sparked a lot of recent interest in the computer vision community. This interest has been motivated by expensive annotations and a desire to achieve proficiency across multiple visual domains. However, established datasets have mutually incompatible labels which disrupt principled inference in the wild. We address this issue by automatic construction of universal taxonomies through iterative dataset integration. Our method detects subset-superset relationships between dataset-specific labels, and supports learning of sub-class logits by treating super-classes as partial labels. We present experiments on collections of standard datasets and demonstrate competitive generalization performance with respect to previous work.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google