Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
 
 
DownloadE-Mail
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  One-Shot Segmentation in Clutter

Michaelis, C., Bethge, M., & Ecker, A. (2018). One-Shot Segmentation in Clutter. In J. Dy, & A. Krause (Eds.), International Conference on Machine Learning, 10-15 July 2018, Stockholmsmässan, Stockholm Sweden (pp. 3549-3558). Madison, WI, USA: International Machine Learning Society.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/21.11116/0000-0001-EEF0-4 Versions-Permalink: https://hdl.handle.net/21.11116/0000-0001-EEF1-3
Genre: Konferenzbeitrag

Externe Referenzen

einblenden:
ausblenden:
externe Referenz:
http://proceedings.mlr.press/v80/michaelis18a/michaelis18a.pdf (Verlagsversion)
Beschreibung:
-
OA-Status:

Urheber

einblenden:
ausblenden:
 Urheber:
Michaelis, C, Autor
Bethge, M1, 2, Autor           
Ecker, A, Autor           
Affiliations:
1Research Group Computational Vision and Neuroscience, Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497805              
2Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497794              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: We tackle the problem of one-shot segmentation: finding and segmenting a previously unseen object in a cluttered scene based on a single instruction example. We propose a novel dataset, which we call cluttered Omniglot. Using a baseline architecture combining a Siamese embedding for detection with a U-net for segmentation we show that increasing levels of clutter make the task progressively harder. Using oracle models with access to various amounts of ground-truth information, we evaluate different aspects of the problem and show that in this kind of visual search task, detection and segmentation are two intertwined problems, the solution to each of which helps solving the other. We therefore introduce MaskNet, an improved model that attends to multiple candidate locations, generates segmentation proposals to mask out background clutter and selects among the segmented objects. Our findings suggest that such image recognition models based on an iterative refinement of object detection and foreground segmentation may provide a way to deal with highly cluttered scenes.

Details

einblenden:
ausblenden:
Sprache(n):
 Datum: 2018-07
 Publikationsstatus: Erschienen
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: -
 Art des Abschluß: -

Veranstaltung

einblenden:
ausblenden:
Titel: 35th International Conference on Machine Learning (ICML 2018)
Veranstaltungsort: Stockholm, Sweden
Start-/Enddatum: 2018-07-10 - 2018-07-15

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: International Conference on Machine Learning, 10-15 July 2018, Stockholmsmässan, Stockholm Sweden
Genre der Quelle: Konferenzband
 Urheber:
Dy, J, Herausgeber
Krause, A, Herausgeber
Affiliations:
-
Ort, Verlag, Ausgabe: Madison, WI, USA : International Machine Learning Society
Seiten: 6046 Band / Heft: - Artikelnummer: - Start- / Endseite: 3549 - 3558 Identifikator: -

Quelle 2

einblenden:
ausblenden:
Titel: PMLR Proceedings of Machine Learning Research
Genre der Quelle: Reihe
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: -
Seiten: - Band / Heft: 80 Artikelnummer: - Start- / Endseite: - Identifikator: -