論文の概要: Self-paced and self-consistent co-training for semi-supervised image
segmentation
- arxiv url: http://arxiv.org/abs/2011.00325v4
- Date: Wed, 10 Feb 2021 16:46:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-01 05:05:04.389044
- Title: Self-paced and self-consistent co-training for semi-supervised image
segmentation
- Title(参考訳): 半教師付き画像セグメンテーションのための自己ペーシングと自己整合協調学習
- Authors: Ping Wang, Jizong Peng, Marco Pedersoli, Yuanfeng Zhou, Caiming Zhang,
Christian Desrosiers
- Abstract要約: 注釈付きデータが不足している場合のイメージセグメンテーションに有効な手法として、ディープコトレーニングが提案されている。
本稿では, 半教師付きセグメンテーションの既存手法を, 自己完結型・自己整合型協調学習法により改良する。
- 参考スコア(独自算出の注目度): 23.100800154116627
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep co-training has recently been proposed as an effective approach for
image segmentation when annotated data is scarce. In this paper, we improve
existing approaches for semi-supervised segmentation with a self-paced and
self-consistent co-training method. To help distillate information from
unlabeled images, we first design a self-paced learning strategy for
co-training that lets jointly-trained neural networks focus on
easier-to-segment regions first, and then gradually consider harder ones.This
is achieved via an end-to-end differentiable loss inthe form of a generalized
Jensen Shannon Divergence(JSD). Moreover, to encourage predictions from
different networks to be both consistent and confident, we enhance this
generalized JSD loss with an uncertainty regularizer based on entropy. The
robustness of individual models is further improved using a self-ensembling
loss that enforces their prediction to be consistent across different training
iterations. We demonstrate the potential of our method on three challenging
image segmentation problems with different image modalities, using small
fraction of labeled data. Results show clear advantages in terms of performance
compared to the standard co-training baselines and recently proposed
state-of-the-art approaches for semi-supervised segmentation
- Abstract(参考訳): アノテーション付きデータの不足時に画像分割に効果的なアプローチとして、最近ディープコトレーニングが提案されている。
本稿では,半教師付きセグメンテーションの既存手法を,自己ペースト・自己整合協調学習法により改良する。
ラベルのない画像から情報を蒸留するのを助けるために,まず,共同学習したニューラルネットワークが,まずはより容易な領域に焦点を合わせ,次により難しい領域を徐々に考慮できるように,協調学習のための自己ペース学習戦略をデザインした。
さらに、異なるネットワークからの予測の一貫性と信頼性を両立させるため、エントロピーに基づく不確実性正規化器を用いて一般化されたJSD損失を強化する。
個々のモデルのロバスト性は、さまざまなトレーニングイテレーションで一貫した予測を強制する自己認識損失によってさらに改善される。
少ないラベル付きデータを用いて,画像モダリティの異なる3つの難解な画像分割問題に対して,本手法の有効性を示す。
半教師付きセグメンテーションにおける標準コトレーニングベースラインと最近の最先端アプローチと比較して, 性能面でのメリットが明らかとなった。
関連論文リスト
- Unsupervised Representation Learning by Balanced Self Attention Matching [2.3020018305241337]
本稿では,BAMと呼ばれる画像特徴を埋め込む自己教師型手法を提案する。
我々は,これらの分布とグローバルな均衡とエントロピー正規化バージョンに一致する損失を最小化することにより,豊かな表現と特徴の崩壊を回避する。
半教師付きベンチマークと移動学習ベンチマークの両方において,先行手法と競合する性能を示す。
論文 参考訳(メタデータ) (2024-08-04T12:52:44Z) - Self2Seg: Single-Image Self-Supervised Joint Segmentation and Denoising [5.980200432310941]
Self2Segは、単一画像の分割とデノナイズのための自己教師型手法である。
データ駆動の手法とは対照的に、Self2Segはトレーニングデータベースを使わずに、イメージを意味のある領域にセグメントする。
論文 参考訳(メタデータ) (2023-09-19T10:47:32Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳(メタデータ) (2022-07-24T07:45:47Z) - Dense Unsupervised Learning for Video Segmentation [49.46930315961636]
ビデオオブジェクトセグメンテーション(VOS)のための教師なし学習のための新しいアプローチを提案する。
これまでの研究とは異なり、我々の定式化によって、完全に畳み込みの仕組みで、密集した特徴表現を直接学習することができる。
我々の手法は、トレーニングデータや計算能力が大幅に少ないにもかかわらず、以前の作業のセグメンテーション精度を超える。
論文 参考訳(メタデータ) (2021-11-11T15:15:11Z) - Mixed-supervised segmentation: Confidence maximization helps knowledge
distillation [24.892332859630518]
本研究では,ディープニューラルネットワークのためのデュアルブランチアーキテクチャを提案する。
上枝(教師)は強い注釈を受け、下枝(学生)は限られた監督によって駆動され、上枝が指導する。
エントロピーとKLの発散の相乗効果は性能を著しく向上させることを示した。
論文 参考訳(メタデータ) (2021-09-21T20:06:13Z) - Adaptive Affinity Loss and Erroneous Pseudo-Label Refinement for Weakly
Supervised Semantic Segmentation [48.294903659573585]
本稿では,多段階アプローチの親和性学習を単一段階モデルに組み込むことを提案する。
深層ニューラルネットワークは、トレーニングフェーズで包括的なセマンティック情報を提供するために使用される。
提案手法の有効性を評価するため,PASCAL VOC 2012データセットを用いて実験を行った。
論文 参考訳(メタデータ) (2021-08-03T07:48:33Z) - Flip Learning: Erase to Segment [65.84901344260277]
弱い教師付きセグメンテーション(WSS)は、時間と面倒な手作業のアノテーションを減らすのに役立ちます。
ボックスアノテーションのみを必要とするFlip Learningという,斬新で汎用的なWSSフレームワークを提案する。
提案手法は,完全教師付き学習と弱教師付き学習のギャップを狭める大きな可能性を示す。
論文 参考訳(メタデータ) (2021-08-02T09:56:10Z) - Self-supervised Augmentation Consistency for Adapting Semantic
Segmentation [56.91850268635183]
本稿では,実用的かつ高精度な意味セグメンテーションのためのドメイン適応手法を提案する。
私たちは標準データ拡張技術である$-$フォトメトリックノイズ、フリップとスケーリング$-$を採用し、セマンティック予測の一貫性を保証する。
適応後の最先端セグメンテーション精度を大幅に改善し、バックボーンアーキテクチャと適応シナリオの異なる選択に整合性を持たせる。
論文 参考訳(メタデータ) (2021-04-30T21:32:40Z) - A Simple Baseline for Semi-supervised Semantic Segmentation with Strong
Data Augmentation [74.8791451327354]
セマンティックセグメンテーションのためのシンプルで効果的な半教師付き学習フレームワークを提案する。
単純な設計とトレーニングのテクニックのセットは、半教師付きセマンティックセグメンテーションの性能を大幅に向上させることができる。
本手法は,Cityscapes と Pascal VOC データセットの半教師付き設定において,最先端の処理結果を実現する。
論文 参考訳(メタデータ) (2021-04-15T06:01:39Z) - Two-phase Pseudo Label Densification for Self-training based Domain
Adaptation [93.03265290594278]
TPLDと呼ばれる,新規な二相擬似ラベル高密度化フレームワークを提案する。
第1フェーズでは,スライディングウインドウ投票を用いて,画像内の内在的空間相関を利用して,自信のある予測を広める。
第2フェーズでは,信頼度に基づく容易な分類を行う。
トレーニングプロセスの容易化と騒音予測の回避を目的として,ブートストラップ機構の導入を行った。
論文 参考訳(メタデータ) (2020-12-09T02:35:25Z) - Single-Stage Semantic Segmentation from Image Labels [25.041129173350104]
本研究は弱教師付き手法の3つの望ましい性質を定義する。
次に、セグメンテーションに基づくネットワークモデルと、セマンティックマスクのトレーニングのための自己教師型トレーニングスキームを開発する。
その単純さにもかかわらず、より複雑なパイプラインと競合する結果が得られる。
論文 参考訳(メタデータ) (2020-05-16T21:10:10Z)
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。