論文の概要: PseudoSeg: Designing Pseudo Labels for Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2010.09713v2
- Date: Tue, 30 Mar 2021 17:54:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 22:14:56.129144
- Title: PseudoSeg: Designing Pseudo Labels for Semantic Segmentation
- Title(参考訳): PseudoSeg: セマンティックセグメンテーションのための擬似ラベルの設計
- Authors: Yuliang Zou, Zizhao Zhang, Han Zhang, Chun-Liang Li, Xiao Bian,
Jia-Bin Huang, Tomas Pfister
- Abstract要約: ラベルなしまたは弱いラベル付きデータを用いたトレーニングのための構造化された擬似ラベルを生成するための擬似ラベルの再設計を提案する。
提案手法の有効性を,低データと高データの両方において示す。
- 参考スコア(独自算出の注目度): 78.35515004654553
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in semi-supervised learning (SSL) demonstrate that a
combination of consistency regularization and pseudo-labeling can effectively
improve image classification accuracy in the low-data regime. Compared to
classification, semantic segmentation tasks require much more intensive
labeling costs. Thus, these tasks greatly benefit from data-efficient training
methods. However, structured outputs in segmentation render particular
difficulties (e.g., designing pseudo-labeling and augmentation) to apply
existing SSL strategies. To address this problem, we present a simple and novel
re-design of pseudo-labeling to generate well-calibrated structured pseudo
labels for training with unlabeled or weakly-labeled data. Our proposed
pseudo-labeling strategy is network structure agnostic to apply in a one-stage
consistency training framework. We demonstrate the effectiveness of the
proposed pseudo-labeling strategy in both low-data and high-data regimes.
Extensive experiments have validated that pseudo labels generated from wisely
fusing diverse sources and strong data augmentation are crucial to consistency
training for segmentation. The source code is available at
https://github.com/googleinterns/wss.
- Abstract(参考訳): 半教師付き学習(SSL)の最近の進歩は、一貫性の正規化と擬似ラベルの組み合わせによって、低データ体制における画像分類精度を効果的に向上できることを実証している。
分類と比較すると、セマンティックセグメンテーションタスクはより集中的なラベリングコストを必要とする。
このように、これらのタスクはデータ効率のトレーニング手法の恩恵を受ける。
しかし、セグメンテーションにおける構造化出力は、既存のSSL戦略を適用するのに特別な困難(擬似ラベルや拡張の設計など)をもたらす。
そこで本研究では,無ラベルデータや弱ラベルデータを用いてトレーニングを行うための構造的擬似ラベルを生成するための擬似ラベルの簡易かつ新規な再設計を提案する。
提案する疑似ラベル戦略は,一段階一貫性トレーニングフレームワークに適用するネットワーク構造非依存である。
提案手法の有効性を,低データと高データの両方において示す。
幅広い実験により、多種多様なソースと強力なデータ拡張が、セグメンテーションのための一貫性トレーニングに不可欠であることを示す。
ソースコードはhttps://github.com/googleinterns/wssで入手できる。
関連論文リスト
- All Points Matter: Entropy-Regularized Distribution Alignment for
Weakly-supervised 3D Segmentation [67.30502812804271]
擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。
本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
論文 参考訳(メタデータ) (2023-05-25T08:19:31Z) - Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label
Learning [97.88458953075205]
Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。
本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
論文 参考訳(メタデータ) (2023-05-04T12:52:18Z) - CLS: Cross Labeling Supervision for Semi-Supervised Learning [9.929229055862491]
Cross Labeling Supervision (CLS) は、典型的な擬似ラベル処理を一般化するフレームワークである。
CLSは擬似ラベルと相補ラベルの両方を作成でき、正と負の両方の学習をサポートする。
論文 参考訳(メタデータ) (2022-02-17T08:09:40Z) - Semi-weakly Supervised Contrastive Representation Learning for Retinal
Fundus Images [0.2538209532048867]
本稿では,半弱化アノテーションを用いた表現学習のための,半弱化教師付きコントラスト学習フレームワークを提案する。
SWCLの移動学習性能を7つの公立網膜眼底データセットで実証的に検証した。
論文 参考訳(メタデータ) (2021-08-04T15:50:09Z) - GuidedMix-Net: Learning to Improve Pseudo Masks Using Labeled Images as
Reference [153.354332374204]
半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。
まず、ラベル付きデータとラベルなしデータの間に特徴アライメントの目的を導入し、類似した画像対をキャプチャする。
MITransは、ラベルなしデータのさらなるプログレッシブな精細化のための強力な知識モジュールであることが示されている。
ラベル付きデータに対する教師付き学習とともに、ラベル付きデータの予測が生成した擬似マスクとともに学習される。
論文 参考訳(メタデータ) (2021-06-29T02:48:45Z) - Boosting Semi-Supervised Face Recognition with Noise Robustness [54.342992887966616]
本稿では,自動ラベルによるラベル雑音に対して頑健な半教師付き顔認識に対する効果的な解法を提案する。
そこで我々は,gnが強化するロバストな学習能力に基づく,ノイズロバスト学習ラベリング(nroll)という,半教師付き顔認識ソリューションを開発した。
論文 参考訳(メタデータ) (2021-05-10T14:43:11Z) - Weakly Supervised Pseudo-Label assisted Learning for ALS Point Cloud
Semantic Segmentation [1.4620086904601473]
競合ポイントクラウドの結果は通常、大量のラベル付きデータに依存します。
本研究では,基礎的事実を限定した正確な結果を得るための擬似ラベル方式を提案する。
論文 参考訳(メタデータ) (2021-05-05T08:07:21Z) - In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label
Selection Framework for Semi-Supervised Learning [53.1047775185362]
Pseudo-labeling (PL) は一般的な SSL アプローチで、この制約はありませんが、当初の処方では比較的不十分です。
PLは不整合モデルからの誤った高い信頼度予測により性能が低下していると論じる。
そこで本研究では,疑似ラベリング精度を向上させるための不確実性認識型擬似ラベル選択(ups)フレームワークを提案する。
論文 参考訳(メタデータ) (2021-01-15T23:29:57Z)
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。