이 논문은 알 수 없는 물체 인스턴스 분할(UOIS) 성능을 향상시키기 위한 오류 정보 기반 정제 방법인 INSTA-BEER를 제안한다. INSTA-BEER는 다음과 같은 핵심 구성 요소를 가진다:
초기 분할 오류를 정량화하는 quad-metric 경계 오류 추정기: 이는 초기 분할 결과의 경계에서 발생하는 true positive, true negative, false positive, false negative 오류를 픽셀 단위로 예측한다. 이를 통해 세부적인 경계 오류와 인스턴스 수준의 오류를 모두 포착할 수 있다.
오류 정보 융합(EGF) 모듈: 이 모듈은 추정된 오류 정보를 분할 정제 과정에 명시적으로 통합하여, 오류가 있는 영역을 중점적으로 개선할 수 있도록 한다.
이를 통해 INSTA-BEER는 기존 UOIS 모델의 과분할 및 과소분할 문제를 효과적으로 해결하고, 다양한 벤치마크 데이터셋에서 최신 기술 대비 높은 정확도와 빠른 추론 속도(~0.1초)를 달성한다. 또한 실제 로봇 환경에서의 물체 잡기 태스크 성능 향상을 통해 실용성을 입증한다.
To Another Language
from source content
arxiv.org
Viktige innsikter hentet fra
by Seunghyeok B... klokken arxiv.org 05-01-2024
https://arxiv.org/pdf/2306.16132.pdfDypere Spørsmål