Fugu-MT 論文翻訳(概要): Weakly Supervised Instance Segmentation by Learning Annotation Consistent Instances

論文の概要: Weakly Supervised Instance Segmentation by Learning Annotation Consistent Instances

arxiv url: http://arxiv.org/abs/2007.09397v1
Date: Sat, 18 Jul 2020 10:32:11 GMT
ステータス: 処理完了
システム内更新日: 2022-11-09 05:41:52.869275
Title: Weakly Supervised Instance Segmentation by Learning Annotation Consistent Instances
Title（参考訳）: アノテーション一貫性インスタンスの学習によるインスタンスセグメンテーションの弱化
Authors: Aditya Arun, C.V. Jawahar, M. Pawan Kumar
Abstract要約: 条件分布を用いた擬似ラベル生成プロセスにおける不確実性を明示的にモデル化する。 PASCAL VOC 2012 データセットのアプローチでは,4.2% mAP@0.5 と4.8% mAP@0.75 で最高のベースラインを達成できた。
参考スコア（独自算出の注目度）: 43.46425002891486
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent approaches for weakly supervised instance segmentations depend on two components: (i) a pseudo label generation model that provides instances which are consistent with a given annotation; and (ii) an instance segmentation model, which is trained in a supervised manner using the pseudo labels as ground-truth. Unlike previous approaches, we explicitly model the uncertainty in the pseudo label generation process using a conditional distribution. The samples drawn from our conditional distribution provide accurate pseudo labels due to the use of semantic class aware unary terms, boundary aware pairwise smoothness terms, and annotation aware higher order terms. Furthermore, we represent the instance segmentation model as an annotation agnostic prediction distribution. In contrast to previous methods, our representation allows us to define a joint probabilistic learning objective that minimizes the dissimilarity between the two distributions. Our approach achieves state of the art results on the PASCAL VOC 2012 data set, outperforming the best baseline by 4.2% mAP@0.5 and 4.8% mAP@0.75.
Abstract（参考訳）: 弱教師付きインスタンスセグメンテーションに対する最近のアプローチは2つのコンポーネントに依存している。 (i)与えられたアノテーションと一致するインスタンスを提供する擬似ラベル生成モデル、 (ii)インスタンスセグメンテーションモデルは、擬似ラベルを基底として教師あり方式で訓練される。従来の手法とは異なり、条件分布を用いた擬似ラベル生成プロセスの不確かさを明示的にモデル化する。条件分布から抽出したサンプルは, 意味クラス認識不定項, 境界認識ペアワイズ平滑性項, アノテーション認識高次項により, 正確な擬似ラベルを提供する。さらに,インスタンスセグメンテーションモデルをアノテーションに依存しない予測分布として表現する。従来の手法とは対照的に, 2つの分布の相似性を最小化する確率的学習目標を定義することができる。提案手法は,PASCAL VOC 2012データセットの成果を達成し,最高のベースラインである4.2% mAP@0.5と4.8% mAP@0.75を上回った。

関連論文リスト

Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
論文参考訳（メタデータ） (2024-07-26T09:33:53Z)
Human-in-the-loop: Towards Label Embeddings for Measuring Classification Difficulty [14.452983136429967]
教師付き学習では、トレーニングプロセスの第1段階、つまりアノテーションフェーズにおいて、すでに不確実性が発生する可能性がある。この研究の主な考え方は、基礎となる真理ラベルの仮定を捨て、代わりにアノテーションを多次元空間に埋め込むことである。本稿では,複数のアノテータが独立してインスタンスをラベル付けする,様々な状況に展開する手法を提案する。
論文参考訳（メタデータ） (2023-11-15T11:23:15Z)
Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
本稿では,PU学習のためのラベル分布視点を提案する。そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。提案手法の有効性を3つのベンチマークデータセットで検証した。
論文参考訳（メタデータ） (2022-12-06T07:38:29Z)
ConsInstancy: Learning Instance Representations for Semi-Supervised Panoptic Segmentation of Concrete Aggregate Particles [1.4874449172133888]
本稿では,ConsInstancy正則化に基づく半教師付きパン光学分割法を提案する。また、完全畳み込みネットワーク(FCN)を経由した1つの単純な前方経路で予測できる新しいタイプのインスタンス表現を提案する。特に、完全にラベル付けされていないデータを半教師付きアプローチで活用することにより、達成された全体的な精度(OA)が最大5%向上することを示すことができる。
論文参考訳（メタデータ） (2022-04-10T09:08:08Z)
Scaling up Multi-domain Semantic Segmentation with Sentence Embeddings [81.09026586111811]
ゼロショット設定に適用した場合、最先端の教師付き性能を実現するセマンティックセマンティックセマンティクスへのアプローチを提案する。これは各クラスラベルを、クラスを記述する短い段落のベクトル値の埋め込みに置き換えることによって達成される。結果として得られた200万以上の画像の統合セマンティックセグメンテーションデータセットは、7つのベンチマークデータセット上の最先端の教師付きメソッドと同等のパフォーマンスを達成するモデルをトレーニングすることができる。
論文参考訳（メタデータ） (2022-02-04T07:19:09Z)
Few-shot Learning via Dependency Maximization and Instance Discriminant Analysis [21.8311401851523]
そこで本研究では,カテゴリ毎にラベル付きデータが極めて少ない新しいオブジェクトの認識をモデルが学習する,数ショットの学習問題について検討する。本稿では,少数ショット処理に伴うラベルなしデータを利用して,少数ショット性能を向上させるための簡単な手法を提案する。
論文参考訳（メタデータ） (2021-09-07T02:19:01Z)
Distribution-Aware Semantics-Oriented Pseudo-label for Imbalanced Semi-Supervised Learning [80.05441565830726]
本稿では,疑似ラベルの重み付けがモデル性能に悪影響を及ぼすような,不均衡な半教師付き学習に対処する。本稿では,この観測の動機となるバイアスに対処する,一般的な擬似ラベルフレームワークを提案する。不均衡SSLのための新しい擬似ラベルフレームワークを、DASO(Distributed-Aware Semantics-Oriented Pseudo-label)と呼ぶ。
論文参考訳（メタデータ） (2021-06-10T11:58:25Z)
MatchGAN: A Self-Supervised Semi-Supervised Conditional Generative Adversarial Network [51.84251358009803]
本稿では,条件付き生成逆数ネットワーク(GAN)に対する,半教師付き環境下での自己教師型学習手法を提案する。利用可能な数少ないラベル付きサンプルのラベル空間から無作為なラベルをサンプリングして拡張を行う。本手法は,ベースラインのトレーニングに使用したラベル付きサンプルの20%に過ぎません。
論文参考訳（メタデータ） (2020-06-11T17:14:55Z)
From Anchor Generation to Distribution Alignment: Learning a Discriminative Embedding Space for Zero-Shot Recognition [46.47620562161315]
ゼロショット学習(ZSL)では、分類されるサンプルは通常、属性などのサイド情報テンプレートに投影される。我々は,DAGDA(Distriminative Anchor Generation and Distribution Alignment Model)と呼ばれる新しいフレームワークを提案する。まず, 拡散型グラフ畳み込みネットワークを用いて, クラス情報と側情報の相互作用を明示的にモデル化し, 識別的アンカーを生成する手法を提案する。第二に、アンカー空間におけるサンプルと対応するアンカーとをさらに整合させるため、細粒度に分布を洗練させることを目的として、意味的関係正則化を導入する。
論文参考訳（メタデータ） (2020-02-10T05:25:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。