論文の概要: Scribble-Supervised Semantic Segmentation by Uncertainty Reduction on
Neural Representation and Self-Supervision on Neural Eigenspace
- arxiv url: http://arxiv.org/abs/2102.09896v1
- Date: Fri, 19 Feb 2021 12:33:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-22 13:27:19.663998
- Title: Scribble-Supervised Semantic Segmentation by Uncertainty Reduction on
Neural Representation and Self-Supervision on Neural Eigenspace
- Title（参考訳）: ニューラル表現の不確実性低減によるスクリブル監督セマンティックセグメンテーションとニューラル固有空間の自己監督
- Authors: Zhiyi Pan, Peng Jiang, Yunhai Wang, Changhe Tu, Anthony G. Cohn
- Abstract要約: Scribble-supervised セマンティックセグメンテーションは、最近、高品質のアノテーションのない有望なパフォーマンスで多くの注目を集めています。
この研究は、追加情報やその他の制限なしに直接スクリブルアノテーションによってセマンティックセグメンテーションを達成することを目的とする。
本稿では,神経表現におけるエントロピーの最小化とネットワーク埋め込みランダムウォークによる不確実性低減を含む総合的操作を提案する。
- 参考スコア（独自算出の注目度）: 21.321005898976253
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scribble-supervised semantic segmentation has gained much attention recently
for its promising performance without high-quality annotations. Due to the lack
of supervision, confident and consistent predictions are usually hard to
obtain. Typically, people handle these problems to either adopt an auxiliary
task with the well-labeled dataset or incorporate the graphical model with
additional requirements on scribble annotations. Instead, this work aims to
achieve semantic segmentation by scribble annotations directly without extra
information and other limitations. Specifically, we propose holistic
operations, including minimizing entropy and a network embedded random walk on
neural representation to reduce uncertainty. Given the probabilistic transition
matrix of a random walk, we further train the network with self-supervision on
its neural eigenspace to impose consistency on predictions between related
images. Comprehensive experiments and ablation studies verify the proposed
approach, which demonstrates superiority over others; it is even comparable to
some full-label supervised ones and works well when scribbles are randomly
shrunk or dropped.
- Abstract（参考訳）: Scribble-supervised セマンティックセグメンテーションは、最近、高品質のアノテーションのない有望なパフォーマンスで多くの注目を集めています。
監督の欠如のため、自信と一貫性のある予測は通常入手するのが困難である。
通常、人々はこれらの問題を処理して、よくラベルされたデータセットで補助タスクを採用するか、スクリブルアノテーションの追加要件をグラフィカルモデルに組み込む。
この作業は、余分な情報やその他の制限なしにアノテーションを直接記述することでセマンティックセグメンテーションを実現することを目的としている。
具体的には,神経表現におけるエントロピーの最小化とネットワーク埋め込みランダムウォークによる不確実性低減を含む,総合的な操作を提案する。
ランダムウォークの確率的遷移行列を考慮し、ニューラルネットワークの固有空間を自己スーパービジョンでトレーニングし、関連する画像間の予測に一貫性を課す。
総合的な実験とアブレーション研究は、提案されたアプローチを検証し、他の方法よりも優れていることを示す。
関連論文リスト
- Leveraging Unlabeled Data for 3D Medical Image Segmentation through
Self-Supervised Contrastive Learning [3.7395287262521717]
現在の3次元半教師付きセグメンテーション法は、文脈情報の限定的考慮のような重要な課題に直面している。
両者の相違を探索し、活用するために設計された2つの個別のワークを導入し、最終的に誤った予測結果を修正した。
我々は、信頼できない予測と信頼できない予測を区別するために、自己教師付きコントラスト学習パラダイムを採用している。
論文 参考訳（メタデータ） (2023-11-21T14:03:16Z) - ZScribbleSeg: Zen and the Art of Scribble Supervised Medical Image
Segmentation [16.188681108101196]
弱い教師付きセグメンテーションにのみスクリブルアノテーションを活用することを提案する。
既存のソリューションは主に注釈付き領域でのみ計算された選択的損失を利用する。
空間的関係と形状を事前にエンコードする正規化項を導入する。
我々は、ZScribbleSegと表記される統合フレームワークに、効率的なスクリブル監視を前者と統合する。
論文 参考訳（メタデータ） (2023-01-12T09:00:40Z) - Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised
Person Re-Identification [80.98291772215154]
教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。
近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。
本稿では, Pseudo Label Refinement フレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-30T09:39:57Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2021-12-15T01:45:32Z) - Hypernet-Ensemble Learning of Segmentation Probability for Medical Image
Segmentation with Ambiguous Labels [8.841870931360585]
ディープラーニングのアプローチは、高い偏極ラベルの確率で予測を過信していることで有名です。
これは、人間のアノテーションであっても、固有のラベルのあいまいさを持つ多くのアプリケーションでは望ましくない。
実世界のシナリオにおける性能を犠牲にすることなくセグメント化確率推定を改善する新しい手法を提案する。
論文 参考訳（メタデータ） (2021-12-13T14:24:53Z) - Bayesian Attention Belief Networks [59.183311769616466]
注意に基づくニューラルネットワークは、幅広いタスクにおいて最先端の結果を得た。
本稿では,非正規化注意重みをモデル化してデコーダネットワークを構築するベイズ的注意信念ネットワークについて紹介する。
提案手法は, 精度, 不確実性推定, ドメイン間の一般化, 敵攻撃において, 決定論的注意と最先端の注意よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-06-09T17:46:22Z) - Affinity Attention Graph Neural Network for Weakly Supervised Semantic
Segmentation [86.44301443789763]
弱教師付きセマンティックセグメンテーションのための親和性注意グラフニューラルネットワーク(A2$GNN)を提案する。
提案手法は,Pascal VOC 2012データセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-06-08T02:19:21Z) - Self-Supervision by Prediction for Object Discovery in Videos [62.87145010885044]
本稿では,この予測タスクを自己監督として利用し,画像シーケンス表現のための新しいオブジェクト中心モデルを構築する。
私たちのフレームワークは、手動アノテーションや事前トレーニングされたネットワークを使わずにトレーニングできます。
最初の実験では、提案されたパイプラインがオブジェクト中心のビデオ予測への有望なステップであることを確認した。
論文 参考訳（メタデータ） (2021-03-09T19:14:33Z) - Self-supervised driven consistency training for annotation efficient
histopathology image analysis [13.005873872821066]
大きなラベル付きデータセットでニューラルネットワークをトレーニングすることは、計算病理学において依然として支配的なパラダイムである。
本研究では,非教師付き表現学習のための強力な監視信号を学ぶために,ヒストロジ全体スライディング画像の背景となる多段階的文脈的手がかりを利用する自己教師付きプレテキストタスクを提案する。
また,タスク固有の未ラベルデータとの予測整合性に基づいて,事前学習した表現を下流タスクに効果的に転送することを学ぶ教師による半教師付き一貫性パラダイムを提案する。
論文 参考訳（メタデータ） (2021-02-07T19:46:21Z) - Scribble-Supervised Semantic Segmentation by Random Walk on Neural
Representation and Self-Supervision on Neural Eigenspace [10.603823180750446]
本研究の目的は, 補助情報や中間操作を使わずに, ラベルを直接スクリブルすることで, セマンティックセグメンテーションを実現することである。
我々は、ランダムウォークによる神経表現への拡散と、自己スーパービジョンによる神経固有空間への一貫性を課す。
その結果,提案手法の優位性が示され,フルラベルの教師付き手法に匹敵する結果が得られた。
論文 参考訳（メタデータ） (2020-11-11T08:22:25Z) - Semi-Supervised Crowd Counting via Self-Training on Surrogate Tasks [50.78037828213118]
本稿では,機能学習の観点から,半教師付き群集カウント問題に取り組む。
本稿では,2つの革新的なコンポーネント上に構築された,新しい半教師付き群集カウント手法を提案する。
論文 参考訳（メタデータ） (2020-07-07T05:30:53Z)
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。