論文の概要: Learning from Pixel-Level Label Noise: A New Perspective for
Semi-Supervised Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2103.14242v1
- Date: Fri, 26 Mar 2021 03:23:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-29 22:41:33.654044
- Title: Learning from Pixel-Level Label Noise: A New Perspective for
Semi-Supervised Semantic Segmentation
- Title（参考訳）: ピクセルレベルラベルノイズからの学習:半教師付きセマンティックセグメンテーションの新しい視点
- Authors: Rumeng Yi, Yaping Huang, Qingji Guan, Mengyang Pu, Runsheng Zhang
- Abstract要約: ピクセルレベルのノイズラベルに対処するためのグラフベースのラベルノイズ検出および補正フレームワークを提案する。
特に,クラスアクティベーションマップ(cam)による弱い監督から生成した画素レベルのノイズラベルに対して,強い監督を施したクリーンセグメンテーションモデルを訓練する。
最後に,超画素ベースのグラフを用いて,画像中の画素間の空間的隣接性と意味的類似性の関係を表現する。
- 参考スコア（独自算出の注目度）: 12.937770890847819
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper addresses semi-supervised semantic segmentation by exploiting a
small set of images with pixel-level annotations (strong supervisions) and a
large set of images with only image-level annotations (weak supervisions). Most
existing approaches aim to generate accurate pixel-level labels from weak
supervisions. However, we observe that those generated labels still inevitably
contain noisy labels. Motivated by this observation, we present a novel
perspective and formulate this task as a problem of learning with pixel-level
label noise. Existing noisy label methods, nevertheless, mainly aim at
image-level tasks, which can not capture the relationship between neighboring
labels in one image. Therefore, we propose a graph based label noise detection
and correction framework to deal with pixel-level noisy labels. In particular,
for the generated pixel-level noisy labels from weak supervisions by Class
Activation Map (CAM), we train a clean segmentation model with strong
supervisions to detect the clean labels from these noisy labels according to
the cross-entropy loss. Then, we adopt a superpixel-based graph to represent
the relations of spatial adjacency and semantic similarity between pixels in
one image. Finally we correct the noisy labels using a Graph Attention Network
(GAT) supervised by detected clean labels. We comprehensively conduct
experiments on PASCAL VOC 2012, PASCAL-Context and MS-COCO datasets. The
experimental results show that our proposed semi supervised method achieves the
state-of-the-art performances and even outperforms the fully-supervised models
on PASCAL VOC 2012 and MS-COCO datasets in some cases.
- Abstract（参考訳）: 本稿では、ピクセルレベルのアノテーション(強い監督)を持つ小さな画像セットと、画像レベルのアノテーション(弱い監督)のみを持つ大きな画像セットを活用することで、半教師付きセマンティックセグメンテーションに対処する。
既存のアプローチのほとんどは、弱い監督から正確なピクセルレベルラベルを生成することを目的としている。
しかし、生成したラベルには必然的にノイズのあるラベルが含まれている。
この観察に動機づけられ,新しい視点を示し,画素レベルラベルノイズを用いた学習問題として定式化する。
既存のノイズのあるラベル手法は、主に画像レベルのタスクを目標としており、隣接するラベル間の関係を1つの画像で捉えることはできない。
そこで我々は,画素レベルの雑音ラベルを扱うグラフに基づくラベルノイズ検出・補正フレームワークを提案する。
特に,クラスアクティベーションマップ(cam)による弱い監督から生成された画素レベルのノイズラベルに対して,これらのノイズラベルからクロスエントロピー損失に応じてクリーンラベルを検出するために,強い監督を持つクリーンセグメンテーションモデルを訓練する。
次に,超画素ベースのグラフを用いて,画像中の画素間の空間的隣接性と意味的類似性の関係を表現する。
最後に,検出されたクリーンラベルによって監視されたグラフアテンションネットワーク(gat)を用いて雑音ラベルを補正する。
PASCAL VOC 2012 PASCAL-Context および MS-COCO データセットの総合的な実験を行った。
実験の結果,提案手法は最先端の性能を実現し,PASCAL VOC 2012とMS-COCOデータセットの完全教師付きモデルよりも優れていた。
関連論文リスト
- Label Filling via Mixed Supervision for Medical Image Segmentation from Noisy Annotations [22.910649758574852]
本稿では,LF-Net と呼ばれるシンプルで効果的なラベルフィリングフレームワークを提案する。
トレーニング中にノイズの多いアノテーションのみを付与した、基礎的なセグメンテーションラベルを予測する。
5つのデータセットの結果から、LF-Netは最先端の手法と比較して、すべてのデータセットのセグメンテーション精度を向上することが示された。
論文 参考訳（メタデータ） (2024-10-21T14:36:36Z) - Pseudo-labelling meets Label Smoothing for Noisy Partial Label Learning [8.387189407144403]
部分ラベル学習(Partial label learning、PLL)は、各トレーニングインスタンスが候補ラベル(Partial label)のセットとペアリングされる弱い教師付き学習パラダイムである。
NPLLはこの制約を緩和し、一部の部分ラベルが真のラベルを含まないようにし、問題の実用性を高める。
本稿では,近傍の重み付けアルゴリズムを用いて,雑音のある部分ラベルを利用して画像に擬似ラベルを割り当てる最小限のフレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-07T13:32:47Z) - Distilling Self-Supervised Vision Transformers for Weakly-Supervised
Few-Shot Classification & Segmentation [58.03255076119459]
視覚変換器(ViT)を利用した弱教師付き小ショット画像分類とセグメンテーションの課題に対処する。
提案手法は,自己監督型ViTからトークン表現を抽出し,その相関関係を利用して分類とセグメンテーションの予測を行う。
Pascal-5iとCOCO-20iの実験は、様々な監視設定において大きなパフォーマンス向上を示した。
論文 参考訳（メタデータ） (2023-07-07T06:16:43Z) - Category-Adaptive Label Discovery and Noise Rejection for Multi-label
Image Recognition with Partial Positive Labels [78.88007892742438]
部分正ラベル(MLR-PPL)を用いたマルチラベルモデルの訓練が注目されている。
これまでの研究では、未知のラベルを負とみなし、従来のMLRアルゴリズムを採用した。
我々は,MLR-PPLタスクを容易にするために,異なる画像間の意味的相関について検討する。
論文 参考訳（メタデータ） (2022-11-15T02:11:20Z) - Pointly-Supervised Panoptic Segmentation [106.68888377104886]
弱教師付き単眼セグメンテーションにポイントレベルのアノテーションを適用するための新しい手法を提案する。
完全に教師された方法で使用される高密度のピクセルレベルラベルの代わりに、ポイントレベルラベルは、監督対象ごとに単一のポイントしか提供しない。
我々は、ポイントレベルのラベルから同時に汎視的擬似マスクを生成し、それらから学習することで、エンドツーエンドのフレームワークにおける問題を定式化する。
論文 参考訳（メタデータ） (2022-10-25T12:03:51Z) - Joint Class-Affinity Loss Correction for Robust Medical Image
Segmentation with Noisy Labels [22.721870430220598]
ノイズラベルは 医用画像分割アルゴリズムが 正確な意味的相関を 学習するのを防いでいる
画素ワイズとペアワイズの両方を取り入れたノイズ緩和のための新しい視点を提案する。
医用画像のセグメンテーションにおけるラベルノイズ問題に対処する頑健なジョイントクラスアフィニティ(JCAS)フレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-16T08:19:33Z) - Dual-Perspective Semantic-Aware Representation Blending for Multi-Label
Image Recognition with Partial Labels [70.36722026729859]
本稿では,多粒度カテゴリ固有の意味表現を異なる画像にブレンドした,二重パースペクティブな意味認識表現ブレンディング(DSRB)を提案する。
提案したDSは、すべての比率ラベル設定において、最先端のアルゴリズムを一貫して上回っている。
論文 参考訳（メタデータ） (2022-05-26T00:33:44Z) - Semantic-Aware Representation Blending for Multi-Label Image Recognition
with Partial Labels [86.17081952197788]
そこで我々は,未知のラベルを補うために,異なる画像にカテゴリ固有の表現をブレンドして,既知のラベルの情報を伝達することを提案する。
MS-COCO、Visual Genome、Pascal VOC 2007データセットの実験は、提案されたSARBフレームワークが、現在の主要な競合相手よりも優れたパフォーマンスを得ることを示している。
論文 参考訳（メタデータ） (2022-03-04T07:56:16Z) - Superpixel-guided Iterative Learning from Noisy Labels for Medical Image
Segmentation [24.557755528031453]
セグメンテーションネットワークの雑音認識学習とノイズラベル改善を組み合わせた,頑健な反復学習戦略を開発する。
2つのベンチマーク実験により,本手法は最近の最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2021-07-21T14:27:36Z) - Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
超高解像度画像のための混合監視学習フレームワークを提案する。
パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。
画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
論文 参考訳（メタデータ） (2021-07-02T09:46:06Z)
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。