HyperAIHyperAI
vor 2 Monaten

GANSeg: Lernen von Segmentierung durch hierarchische Bildgenerierung ohne Überwachung

Xingzhe He; Bastian Wandt; Helge Rhodin
GANSeg: Lernen von Segmentierung durch hierarchische Bildgenerierung ohne Überwachung
Abstract

Die Segmentierung eines Bildes in seine Bestandteile ist ein häufiger Vorsatzprozess für hochrangige visuelle Aufgaben wie das Bildbearbeiten. Die Annotation von Masken für überwachtes Training ist jedoch kostspielig. Es gibt schwach-überwachte und unüberwachte Methoden, die jedoch auf den Vergleich von Bildpaaren angewiesen sind, wie zum Beispiel aus mehreren Ansichten, Videosequenzen oder durch Bildverstärkung (image augmentation), was ihre Anwendbarkeit einschränkt. Um dies zu beheben, schlagen wir einen GAN-basierten Ansatz vor, der Bilder unter Berücksichtigung latenter Masken generiert, wodurch die vollständigen oder schwachen Annotationen, die in früheren Ansätzen erforderlich waren, reduziert werden. Wir zeigen, dass eine solche maskenbedingte Bildgenerierung treu gelernt werden kann, wenn die Masken in einer hierarchischen Weise auf latenten Schlüsselpunkten konditioniert werden, die die Position der Teile explizit definieren. Ohne eine Überwachung von Masken oder Punkten zu erfordern, erhöht diese Strategie die Robustheit gegenüber Änderungen der Betrachtungsrichtung und der Objektpositionen. Sie ermöglicht es uns auch, Bild-Masken-Paare zur Ausbildung eines Segmentierungsnetzes zu generieren, das bei etablierten Benchmarks den aktuellen Stand der Technik in unüberwachten Segmentierungsmethoden übertrifft.