0
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

More than 3 years have passed since last update.

【Panoptic Segmentation】UPSNet : Unknow classの推定

Posted at

UPSNet: A Unified Panoptic Segmentation Network

![image.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/482094/6402b12d-f10b-b875-88a4-9ed421ba5b50.png)

Panoptic + FPNの構成のSemantic FPNについて前回解説したので、それ以外の所に触れていきたいと思う

Unknownクラスの推定が出来るらしい。

新規性

![image.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/482094/e5bde5c2-9d9a-f7ad-1bd6-1a887bce502f.png) Panotic Head以外は過去に既に研究されているので飛ばします。

Unknown Prediction

image.png

間違ったclassification(定義していないclassの物体など)をするよりunkown classとして振り分けた方が良いのではないかという主張。

例)歩行者を自転車として検出した場合
歩行者の検出漏れ(FN)が1増える
自転車の誤検出(FP)が1増える

FPまたはFNが増えるとRQが悪くなってしまう。
1つ間違えるとダブルで精度が落ちるのが良くないそうです。

この問題を解決する為にUnknow Classを推定します。

Unknowとして検出されると検出漏れ(FN)の物体が1増えてるが、誤検知(FP)の数が増えずに済む。やった〜〜!

image.png

Yi: instance iのinstance segmentationの結果
Xthing :数えられるクラスに分類されたsemantic segmentationの結果
Xstuff :数えられないクラスに分類されたsemantic segmentationの結果
Xmaski :Xthingの中のinstance iのROIに対応するもの(赤の点線)

とりあえず紫で囲ったUnknow Predictionの流れだけ理解出来ればokayです。
Zunknown = max (Xthing) − max (Xmask)
Xmask :Xmaskiをチャネル方向に結合(検出物体数xClass数 ,H,W)

例)
max(Xthing)で車が2台検出されていて、max(Xmask)で車が1台しか検出されなかった。
すなわち、Instance Segmentationで物体の検出漏れの可能性が高い

結論

・Unknowクラスを推定する事で間違ったClass推定によってPQを下げすぎずに済む。

あんまり深く考えると分からなくなっていくので、使い慣れていきたいと思います!

参考文献

UPSNet: A Unified Panoptic Segmentation Network https://arxiv.org/pdf/1901.03784.pdf
0
1
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
0
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?