Segmenting out Generic Objects in Monocular Videos

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61988987%3A17610%2F21%3AA2302APR" target="_blank" >RIV/61988987:17610/21:A2302APR - isvavai.cz</a>

Výsledek na webu

<a href="http://ceur-ws.org/Vol-2962/paper49.pdf" target="_blank" >http://ceur-ws.org/Vol-2962/paper49.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Segmenting out Generic Objects in Monocular Videos

Popis výsledku v původním jazyce

We present an approach for generic object detection and segmentation in monocular videos. In this task, we want to segment objects from a background with no prior knowledge about the possible classes of objects which we may encounter. This makes this task much harder than the classical object detection and segmentation, which can be posed as a supervised learning problem. Our approach uses an ensemble of 3 different models which are trained by different objectives and have different failure modes and therefore complement each other. We demonstrate the usefulness of our approach on a custom dataset containing 18 classes of organic objects. Using our method, we were able to recover the classes of objects in a fully unsupervised way.

Název v anglickém jazyce

Segmenting out Generic Objects in Monocular Videos

Popis výsledku anglicky

We present an approach for generic object detection and segmentation in monocular videos. In this task, we want to segment objects from a background with no prior knowledge about the possible classes of objects which we may encounter. This makes this task much harder than the classical object detection and segmentation, which can be posed as a supervised learning problem. Our approach uses an ensemble of 3 different models which are trained by different objectives and have different failure modes and therefore complement each other. We demonstrate the usefulness of our approach on a custom dataset containing 18 classes of organic objects. Using our method, we were able to recover the classes of objects in a fully unsupervised way.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10102 - Applied mathematics

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2021

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the 21st Conference Information Technologies ? Applications and Theory (ITAT 2021)

ISBN

—

ISSN

1613-0073

e-ISSN

—

Počet stran výsledku

7

Strana od-do

123-129

Název nakladatele

CEUR Workshop Proceedings

Místo vydání

—

Místo konání akce

Nízke Tatry and Muránska planina, Slovakia

Datum konání akce

1. 1. 2021

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—