GUNNEL: Guided Mixup Augmentation and Multi-View Fusion for Aquatic Animal Segmentation

要約

近年、オブジェクトのセグメンテーション研究は大きな進歩を遂げています。
一般的な物体に加えて、水生動物も研究の注目を集めています。
深層学習ベースの手法は水生動物のセグメンテーションに広く使用されており、有望なパフォーマンスを達成しています。
ただし、ベンチマークを行うための困難なデータセットが不足しています。
この作業では、Aquatic Animal Species と呼ばれる新しいデータセットを構築します。
また、複数のセグメンテーション モデルの利点を活用して水生動物を効果的にセグメンテーションし、硬いサンプルを合成することでトレーニングのパフォーマンスを向上させる、水生動物セグメンテーションのための新しいガイド付きミックスアップ オーグメンテーションとマルチモデル フュージョン (GUNNEL) を考案します。
広範な実験により、私たちが提案したフレームワークが既存の最先端のインスタンス セグメンテーション手法よりも優れていることが実証されました。
コードは https://github.com/lmquan2000/mask-mixup で入手できます。
データセットは https://doi.org/10.5281/zenodo.8208877 で入手できます。

要約(オリジナル)

Recent years have witnessed great advances in object segmentation research. In addition to generic objects, aquatic animals have attracted research attention. Deep learning-based methods are widely used for aquatic animal segmentation and have achieved promising performance. However, there is a lack of challenging datasets for benchmarking. In this work, we build a new dataset dubbed Aquatic Animal Species. We also devise a novel GUided mixup augmeNtatioN and multi-modEl fusion for aquatic animaL segmentation (GUNNEL) that leverages the advantages of multiple segmentation models to effectively segment aquatic animals and improves the training performance by synthesizing hard samples. Extensive experiments demonstrated the superiority of our proposed framework over existing state-of-the-art instance segmentation methods. The code is available at https://github.com/lmquan2000/mask-mixup. The dataset is available at https://doi.org/10.5281/zenodo.8208877 .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google