Fugu-MT 論文翻訳(概要): Uncertainty-based method for improving poorly labeled segmentation datasets

論文の概要: Uncertainty-based method for improving poorly labeled segmentation datasets

arxiv url: http://arxiv.org/abs/2102.08021v1
Date: Tue, 16 Feb 2021 08:37:19 GMT
ステータス: 処理完了
システム内更新日: 2021-02-18 05:06:56.353077
Title: Uncertainty-based method for improving poorly labeled segmentation datasets
Title（参考訳）: 不確実性に基づくラベル付きセグメンテーションデータセットの改善手法
Authors: Ekaterina Redekop, Alexey Chernyavskiy
Abstract要約: ディープ畳み込みニューラルネットワーク(DCNN)は、完全にランダムなラベルを記憶することも知られている。信頼できないピクセルレベルのアノテーションの集合を用いて,バイナリセグメンテーションDCNNを訓練するフレームワークを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The success of modern deep learning algorithms for image segmentation heavily depends on the availability of large datasets with clean pixel-level annotations (masks), where the objects of interest are accurately delineated. Lack of time and expertise during data annotation leads to incorrect boundaries and label noise. It is known that deep convolutional neural networks (DCNNs) can memorize even completely random labels, resulting in poor accuracy. We propose a framework to train binary segmentation DCNNs using sets of unreliable pixel-level annotations. Erroneously labeled pixels are identified based on the estimated aleatoric uncertainty of the segmentation and are relabeled to the true value.
Abstract（参考訳）: 画像セグメンテーションのための現代のディープラーニングアルゴリズムの成功は、関心のあるオブジェクトを正確に記述するクリーンピクセルレベルのアノテーション(マスク)を備えた大規模なデータセットの可用性に大きく依存します。データアノテーション中の時間と専門知識の欠如は、間違った境界とラベルノイズにつながります。深層畳み込みニューラルネットワーク(dcnn)は、完全にランダムなラベルさえ記憶することができ、精度が低下することが知られている。信頼できないピクセルレベルのアノテーションの集合を用いて,バイナリセグメンテーションDCNNを訓練するフレームワークを提案する。推定されたセグメントの不確かさに基づいて誤ってラベル付けされた画素を識別し、真の値にリラベルする。

関連論文リスト

Learning Camouflaged Object Detection from Noisy Pseudo Label [60.9005578956798]
本稿では,まず,弱い半教師付きカモフラージュオブジェクト検出(COD)法を提案する。予算効率が高く高精度なカモフラージュされたオブジェクトセグメンテーションを目標とし、完全にラベル付けされた画像が極めて限られている。本稿では,早期の学習段階において,モデルが正しい画素の学習を容易にするノイズ補正損失を提案する。完全ラベル付きデータの20%しか使用しない場合,本手法は最先端の手法よりも優れた性能を示す。
論文参考訳（メタデータ） (2024-07-18T04:53:51Z)
Learning Semantic Segmentation with Query Points Supervision on Aerial Images [57.09251327650334]
セマンティックセグメンテーションアルゴリズムを学習するための弱教師付き学習アルゴリズムを提案する。提案手法は正確なセマンティックセグメンテーションを行い,手作業のアノテーションに要するコストと時間を大幅に削減することで効率を向上する。
論文参考訳（メタデータ） (2023-09-11T14:32:04Z)
NP-SemiSeg: When Neural Processes meet Semi-Supervised Semantic Segmentation [87.50830107535533]
半教師付きセマンティックセグメンテーションでは、トレーニング時にピクセルワイズラベルをラベル付けされていない画像に割り当てる。モデルによるクラスワイズ確率分布から各画素の擬似ラベルを予測し,半教師付き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本研究では,NPを半教師付きセマンティックセグメンテーションに適応させることにより一歩前進し,NP-SemiSegと呼ばれる新しいモデルを実現する。
論文参考訳（メタデータ） (2023-08-05T12:42:15Z)
PNT-Edge: Towards Robust Edge Detection with Noisy Labels by Learning Pixel-level Noise Transitions [119.17602768128806]
特に大規模なデータセットでは、エッジの正確なラベル付けは難しい。本稿では,ラベル破壊過程をモデル化するために,Pixelレベルのノイズ遷移を学習することを提案する。
論文参考訳（メタデータ） (2023-07-26T09:45:17Z)
Automated Detection of Label Errors in Semantic Segmentation Datasets via Deep Learning and Uncertainty Quantification [5.279257531335345]
ピクセルワイドラベルを用いたセマンティックセグメンテーションデータセットにおけるラベル誤り検出手法を初めて提案する。提案手法では,誤検出回数を制御しながら,ラベルエラーの大部分を検出することができる。
論文参考訳（メタデータ） (2022-07-13T10:25:23Z)
Local contrastive loss with pseudo-label based self-training for semi-supervised medical image segmentation [13.996217500923413]
セミ/セルフ教師付き学習ベースのアプローチは、注釈付きデータとともにラベル付きデータを悪用する。近年の自己教師付き学習法では, コントラッシブ・ロスを用いて, ラベルのない画像から優れたグローバルレベル表現を学習している。セグメンテーションに有用な画素レベルの特徴を,セマンティックラベル情報を利用して学習するために,局所的なコントラスト損失を提案する。
論文参考訳（メタデータ） (2021-12-17T17:38:56Z)
Fool Me Once: Robust Selective Segmentation via Out-of-Distribution Detection with Contrastive Learning [27.705683228657175]
ネットワークを訓練し,セグメンテーションと画素単位のアウトオブディストリビューション(ood)検出を同時に行う。これは、OoDデータセットを新しい対比目標とデータ拡張スキームで活用することによって実現される。 OoDの予測値に基づいてシーンを選択的にセグメンテーションすることで、代替技術に関して0.2のIoUでセグメンテーション精度を向上させることができることを示す。
論文参考訳（メタデータ） (2021-03-01T09:38:40Z)
Attention-Aware Noisy Label Learning for Image Classification [97.26664962498887]
大規模ラベル付きサンプルで学習した深層畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおいて顕著な進歩を遂げている。大量のラベル付きビジュアルデータを取得する最も安価な方法は、Flickrのようなユーザーが提供するラベルでウェブサイトからクロールすることである。本稿では,潜在的なラベルノイズのあるデータセットに基づいて学習したネットワークの識別能力を向上させるために,注目に敏感なラベル学習手法を提案する。
論文参考訳（メタデータ） (2020-09-30T15:45:36Z)
Temporal Calibrated Regularization for Robust Noisy Label Learning [60.90967240168525]
ディープニューラルネットワーク(DNN)は、大規模な注釈付きデータセットの助けを借りて、多くのタスクで大きな成功を収めている。しかし、大規模なデータのラベル付けは非常にコストがかかりエラーが発生しやすいため、アノテーションの品質を保証することは困難である。本稿では,従来のラベルと予測を併用したTCR(Temporal Calibrated Regularization)を提案する。
論文参考訳（メタデータ） (2020-07-01T04:48:49Z)
Learning to segment from misaligned and partial labels [0.0]
アーバン以外の多くの設定は、正確なセグメンテーションに必要な基盤構造を欠いている。 OpenStreetMaps (OSM)のようなオープンソースのインフラストラクチャアノテーションがこの問題を代表している。本稿では,不整合アノテーションと欠落アノテーションを付与した画素画像分割を改良した,新規で一般化可能な2段階のフレームワークを提案する。
論文参考訳（メタデータ） (2020-05-27T06:02:58Z)

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。