論文の概要: Semi-Supervised Segmentation of Concrete Aggregate Using Consensus Regularisation and Prior Guidance

• arxiv url: http://arxiv.org/abs/2104.11028v1
• Date: Thu, 22 Apr 2021 13:01:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-23 13:52:59.795028
• Title: Semi-Supervised Segmentation of Concrete Aggregate Using Consensus Regularisation and Prior Guidance
• Title（参考訳）: コンセンサス規則化と事前誘導によるコンクリート骨材の半監督セグメンテーション
• Authors: Max Coenen, Tobias Schack, Dries Beyer, Christian Heipke, Michael Haist
• Abstract要約: 本稿では,事前知識に基づく追加損失を導入する,意味セグメンテーションのための新しい半教師付きフレームワークを提案する。 コンクレート・アグリゲート・データセット(concrete aggregate dataset)を用いた実験により,提案手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 2.1749194587826026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In order to leverage and profit from unlabelled data, semi-supervised frameworks for semantic segmentation based on consistency training have been proven to be powerful tools to significantly improve the performance of purely supervised segmentation learning. However, the consensus principle behind consistency training has at least one drawback, which we identify in this paper: imbalanced label distributions within the data. To overcome the limitations of standard consistency training, we propose a novel semi-supervised framework for semantic segmentation, introducing additional losses based on prior knowledge. Specifically, we propose a light-weight architecture consisting of a shared encoder and a main decoder, which is trained in a supervised manner. An auxiliary decoder is added as additional branch in order to make use of unlabelled data based on consensus training, and we add additional constraints derived from prior information on the class distribution and on auto-encoder regularisation. Experiments performed on our "concrete aggregate dataset" presented in this paper demonstrate the effectiveness of the proposed approach, outperforming the segmentation results achieved by purely supervised segmentation and standard consistency training.
• Abstract（参考訳）: 一貫性トレーニングに基づくセグメンテーションのための半教師付きフレームワークは,非ラベルデータから利益を得るために,純粋に教師付きセグメンテーション学習の性能を著しく向上させる強力なツールであることが証明されている。 しかし、一貫性トレーニングの背景にあるコンセンサス原理には、少なくとも1つの欠点がある。 標準一貫性トレーニングの限界を克服するために,先行知識に基づく追加の損失を導入する,意味セグメンテーションのための新しい半教師付きフレームワークを提案する。 具体的には,共有エンコーダと主デコーダからなる軽量アーキテクチャを提案する。 コンセンサストレーニングに基づく非ラベルデータを活用するために,補助デコーダを追加ブランチとして追加し,クラス分布やオートエンコーダの正規化に関する事前情報から得られた制約を追加する。 本稿では,提案手法の有効性を実証し,純粋に教師付きセグメンテーションと標準整合性トレーニングにより得られたセグメンテーション結果より優れていることを示す。

関連論文リスト

• Causal Unsupervised Semantic Segmentation [60.178274138753174]
  教師なしセマンティックセグメンテーションは、人間のラベル付きアノテーションなしで高品質なセマンティック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。 本稿では、因果推論からの洞察を活用する新しいフレームワークCAUSE(CAusal Unsupervised Semantic sEgmentation)を提案する。
  論文  参考訳（メタデータ） (2023-10-11T10:54:44Z)
• Semi-Supervised Confidence-Level-based Contrastive Discrimination for Class-Imbalanced Semantic Segmentation [1.713291434132985]
  我々は,クラス不均衡なセマンティックセグメンテーションの課題に対して,半教師付きコントラスト学習フレームワークを提案する。 提案手法は,3.5%のラベル付きデータで良好なセグメンテーション結果が得られる。
  論文  参考訳（メタデータ） (2022-11-28T04:58:27Z)
• A Survey on Label-efficient Deep Segmentation: Bridging the Gap between Weak Supervision and Dense Prediction [115.9169213834476]
  本稿では,ラベル効率の高いセグメンテーション手法について概説する。 まず,様々な種類の弱いラベルによって提供される監督に従って,これらの手法を整理する分類法を開発する。 次に,既存のラベル効率のセグメンテーション手法を統一的な視点から要約する。
  論文  参考訳（メタデータ） (2022-07-04T06:21:01Z)
• Contrastive Regularization for Semi-Supervised Learning [46.020125061295886]
  そこで本稿では, ラベルのないデータの特徴量により, 整合正則化の効率性と精度を両立させるために, 対照的な正則化を提案する。 また,提案手法は,ラベルなしデータに分布しないサンプルを含むオープンセット半教師付き学習において,頑健な性能を示す。
  論文  参考訳（メタデータ） (2022-01-17T07:20:11Z)
• 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)
• 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)
• Semi-supervised Left Atrium Segmentation with Mutual Consistency Training [60.59108570938163]
  3次元MR画像からの半教師付き左房分割のための新しいMultual Consistency Network(MC-Net)を提案する。 我々のMC-Netは1つのエンコーダと2つのわずかに異なるデコーダから構成されており、2つのデコーダの予測誤差は教師なしの損失として変換される。 我々は,公開左心房(la)データベース上でmc-netを評価し,ラベルなしデータを効果的に活用することで印象的な性能向上を実現する。
  論文  参考訳（メタデータ） (2021-03-04T09:34:32Z)
• A Teacher-Student Framework for Semi-supervised Medical Image Segmentation From Mixed Supervision [62.4773770041279]
  そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。 我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
  論文  参考訳（メタデータ） (2020-10-23T07:58:20Z)
• ClassMix: Segmentation-Based Data Augmentation for Semi-Supervised Learning [4.205692673448206]
  そこで本研究では,未ラベルのサンプルを混合して拡張を生成するClassMixと呼ばれる新しいデータ拡張機構を提案する。 本手法を2つの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ベンチマークで評価し,その結果を得た。
  論文  参考訳（メタデータ） (2020-07-15T18:21:17Z)
• Semi-Supervised Semantic Segmentation with Cross-Consistency Training [8.894935073145252]
  セマンティックセグメンテーションのための新しいクロス一貫性に基づく半教師付きアプローチを提案する。 提案手法は,いくつかのデータセットにおける最先端結果を実現する。
  論文  参考訳（メタデータ） (2020-03-19T20:10:37Z)

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。