ENInst: Enhancing Weakly-supervised Low-shot Instance Segmentation

要約

私たちは、弱く監視されたローショット インスタンス セグメンテーション、新しいクラスを効果的に処理するためのアノテーション効率の良いトレーニング方法に取り組みます。
これは十分に調査されていない問題であるため、最初に、単純なベースライン モデルを使用してモデル コンポーネントと個々のサブタスクを系統的に分析することで、問題の難しさを調査し、パフォーマンスのボトルネックを特定します。
分析に基づいて、サブタスク強化手法を備えた ENInst を提案します。つまり、ピクセル位置特定の品質を強化するためのインスタンスごとのマスク洗練と、分類精度を向上させるための新しい分類器構成です。
私たちが提案する手法は、各サブタスクのパフォーマンスを向上させることで全体のパフォーマンスを向上させます。
当社の ENInst は、既存の完全監視された少数ショット モデルと同等のパフォーマンスを達成する上で 7.5 倍効率的であり、場合によってはそれらを上回るパフォーマンスを発揮することさえ示しています。

要約(オリジナル)

We address a weakly-supervised low-shot instance segmentation, an annotation-efficient training method to deal with novel classes effectively. Since it is an under-explored problem, we first investigate the difficulty of the problem and identify the performance bottleneck by conducting systematic analyses of model components and individual sub-tasks with a simple baseline model. Based on the analyses, we propose ENInst with sub-task enhancement methods: instance-wise mask refinement for enhancing pixel localization quality and novel classifier composition for improving classification accuracy. Our proposed method lifts the overall performance by enhancing the performance of each sub-task. We demonstrate that our ENInst is 7.5 times more efficient in achieving comparable performance to the existing fully-supervised few-shot models and even outperforms them at times.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google