論文の概要: Mask-based Data Augmentation for Semi-supervised Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2101.10156v1
• Date: Mon, 25 Jan 2021 15:09:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-03-15 05:19:57.645600
• Title: Mask-based Data Augmentation for Semi-supervised Semantic Segmentation
• Title（参考訳）: セミ教師付き意味セグメンテーションのためのマスクベースデータ拡張
• Authors: Ying Chen, Xu Ouyang, Kaiyue Zhu, Gady Agam
• Abstract要約: そこで我々は,CutMix と ClassMix の側面を組み込んだデータ拡張手法である ComplexMix を提案する。 提案手法は、意味論的に正しいようにしながら、拡張データの複雑さを制御できる。 実験結果から,セマンティック画像分割のための標準データセットにおける最新手法の改良が得られた。
• 参考スコア（独自算出の注目度）: 3.946367634483361
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic segmentation using convolutional neural networks (CNN) is a crucial component in image analysis. Training a CNN to perform semantic segmentation requires a large amount of labeled data, where the production of such labeled data is both costly and labor intensive. Semi-supervised learning algorithms address this issue by utilizing unlabeled data and so reduce the amount of labeled data needed for training. In particular, data augmentation techniques such as CutMix and ClassMix generate additional training data from existing labeled data. In this paper we propose a new approach for data augmentation, termed ComplexMix, which incorporates aspects of CutMix and ClassMix with improved performance. The proposed approach has the ability to control the complexity of the augmented data while attempting to be semantically-correct and address the tradeoff between complexity and correctness. The proposed ComplexMix approach is evaluated on a standard dataset for semantic segmentation and compared to other state-of-the-art techniques. Experimental results show that our method yields improvement over state-of-the-art methods on standard datasets for semantic image segmentation.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)を用いたセマンティックセグメンテーションは、画像解析の重要な要素です。 セマンティックセグメンテーションを実行するためにCNNを訓練するには大量のラベル付きデータが必要である。 半教師付き学習アルゴリズムはラベルなしのデータを利用してこの問題に対処し、トレーニングに必要なラベル付きデータの量を削減する。 特に、CutMixやClassMixなどのデータ拡張技術は、既存のラベル付きデータから追加のトレーニングデータを生成します。 本論文では、CutMixとClassMixの側面を組み込んだデータ拡張の新たなアプローチであるComplexMixを提案する。 提案手法は,意味論的に正確でありながら拡張データの複雑さを制御し,複雑さと正確性の間のトレードオフに対処する能力を有する。 提案手法は,セマンティックセグメンテーションの標準データセットを用いて評価し,他の最先端技術と比較する。 実験結果から,セマンティック画像分割のための標準データセットにおける最新手法の改良が得られた。

関連論文リスト

• Going Beyond Feature Similarity: Effective Dataset distillation based on Class-aware Conditional Mutual Information [43.44508080585033]
  本稿では,データセットのクラス認識複雑性を評価するために,条件付き相互情報(CMI)を導入する。 合成データセットのクラス認識複雑性を制約しながら,蒸留損失を最小限に抑える。
  論文  参考訳（メタデータ） (2024-12-13T08:10:47Z)
• Manifold DivideMix: A Semi-Supervised Contrastive Learning Framework for Severe Label Noise [4.90148689564172]
  実世界のデータセットには、データセットのどのクラスにも意味のないノイズの多いラベルサンプルが含まれている。 最先端の手法の多くは、IDラベル付きノイズサンプルを半教師付き学習のためのラベルなしデータとして利用する。 自己指導型トレーニングの利点を生かして,すべてのトレーニングデータからの情報を活用することを提案する。
  論文  参考訳（メタデータ） (2023-08-13T23:33:33Z)
• Exploring Data Redundancy in Real-world Image Classification through Data Selection [20.389636181891515]
  ディープラーニングモデルはトレーニングに大量のデータを必要とすることが多く、結果としてコストが増大する。 実世界の画像データの冗長性を調べるために,シナプスインテリジェンスと勾配ノルムに基づく2つのデータ評価指標を提案する。 オンラインおよびオフラインのデータ選択アルゴリズムは、検査されたデータ値に基づいてクラスタリングとグループ化によって提案される。
  論文  参考訳（メタデータ） (2023-06-25T03:31:05Z)
• Dense FixMatch: a simple semi-supervised learning method for pixel-wise prediction tasks [68.36996813591425]
  Dense FixMatchは,高密度かつ構造化された予測タスクのオンライン半教師付き学習のための簡易な手法である。 我々は、擬似ラベルにマッチング操作を追加することにより、画像分類を超えた半教師付き学習問題にFixMatchの適用を可能にする。 Dense FixMatchは、ラベル付きデータのみを使用して教師付き学習と比較すると、結果を著しく改善し、ラベル付きサンプルの1/4でそのパフォーマンスに近づいた。
  論文  参考訳（メタデータ） (2022-10-18T15:02:51Z)
• DoubleMix: Simple Interpolation-Based Data Augmentation for Text Classification [56.817386699291305]
  本稿では,DoubleMixと呼ばれる単純なデータ拡張手法を提案する。 DoubleMixはまず、トレーニングデータごとにいくつかの摂動サンプルを生成する。 次に、摂動データと元のデータを使って、隠れたニューラルネットワークの空間で2段階のステップを実行する。
  論文  参考訳（メタデータ） (2022-09-12T15:01:04Z)
• Data Augmentation by Selecting Mixed Classes Considering Distance Between Classes [9.690454593095495]
  ミックスアップのような複数のデータセットから混合データを生成する方法は、精度の向上に大きく貢献する。 本稿では,クラス間の距離をクラス確率に基づいて計算するデータ拡張手法を提案する。 提案手法により,画像認識データセットの認識性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-09-12T10:10:04Z)
• Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with Self-Supervised Depth Estimation [94.16816278191477]
  本稿では,セミアダプティブなセマンティック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フレームワークを提案する。 ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。 提案したモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2021-08-28T01:33:38Z)
• ChessMix: Spatial Context Data Augmentation for Remote Sensing Semantic Segmentation [1.0152838128195467]
  ChessMixは、データセットに変換されたミニパッチをチェスボードのようなグリッドに混ぜることで、新しい合成画像を生成する。 3つのよく知られたリモートセンシングデータセットの結果から、ChessMixは少ないラベル付きピクセルでオブジェクトのセグメンテーションを改善することができることが示された。
  論文  参考訳（メタデータ） (2021-08-26T01:01:43Z)
• Learning from Partially Overlapping Labels: Image Segmentation under Annotation Shift [68.6874404805223]
  腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。 半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
  論文  参考訳（メタデータ） (2021-07-13T09:22:24Z)
• 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)
• PseudoSeg: Designing Pseudo Labels for Semantic Segmentation [78.35515004654553]
  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。
  論文  参考訳（メタデータ） (2020-10-19T17:59:30Z)

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。