論文の概要: Semi-Supervised Semantic Segmentation via Adaptive Equalization Learning

• arxiv url: http://arxiv.org/abs/2110.05474v1
• Date: Mon, 11 Oct 2021 17:59:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 18:28:45.414104
• Title: Semi-Supervised Semantic Segmentation via Adaptive Equalization Learning
• Title（参考訳）: 適応等化学習による半教師付きセマンティックセグメンテーション
• Authors: Hanzhe Hu, Fangyun Wei, Han Hu, Qiwei Ye, Jinshi Cui, Liwei Wang
• Abstract要約: 適応等化学習(AEL)と呼ばれる半教師付きセマンティックセグメンテーションのための新しいフレームワークを提案する。 AELは、高い評価と悪い評価を受けたカテゴリのトレーニングのバランスをとり、信頼性銀行はカテゴリワイドのパフォーマンスを追跡する。 AELは、CityscapesとPascal VOCベンチマークにおいて最先端の手法よりも優れている。
• 参考スコア（独自算出の注目度）: 20.66927648806676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the limited and even imbalanced data, semi-supervised semantic segmentation tends to have poor performance on some certain categories, e.g., tailed categories in Cityscapes dataset which exhibits a long-tailed label distribution. Existing approaches almost all neglect this problem, and treat categories equally. Some popular approaches such as consistency regularization or pseudo-labeling may even harm the learning of under-performing categories, that the predictions or pseudo labels of these categories could be too inaccurate to guide the learning on the unlabeled data. In this paper, we look into this problem, and propose a novel framework for semi-supervised semantic segmentation, named adaptive equalization learning (AEL). AEL adaptively balances the training of well and badly performed categories, with a confidence bank to dynamically track category-wise performance during training. The confidence bank is leveraged as an indicator to tilt training towards under-performing categories, instantiated in three strategies: 1) adaptive Copy-Paste and CutMix data augmentation approaches which give more chance for under-performing categories to be copied or cut; 2) an adaptive data sampling approach to encourage pixels from under-performing category to be sampled; 3) a simple yet effective re-weighting method to alleviate the training noise raised by pseudo-labeling. Experimentally, AEL outperforms the state-of-the-art methods by a large margin on the Cityscapes and Pascal VOC benchmarks under various data partition protocols. Code is available at https://github.com/hzhupku/SemiSeg-AEL
• Abstract（参考訳）: 限定的かつ不均衡なデータであるため、半教師付きセマンティックセグメンテーションは、ロングテールラベル分布を示すcityscapesデータセットのtailedカテゴリなど、いくつかのカテゴリでパフォーマンスが低くなる傾向がある。 既存のアプローチはほぼすべてこの問題を無視し、カテゴリを平等に扱う。 一貫性の正則化や擬似ラベル付けのような一般的なアプローチは、性能の低いカテゴリの学習にも影響し、これらのカテゴリの予測や擬似ラベルは、ラベルなしデータの学習を導くには不正確すぎる可能性がある。 本稿では,この問題を考察し,セミ教師付き意味セグメンテーションのための新しい枠組み,adaptive equalization learning (ael)を提案する。 AELは、訓練中のカテゴリワイドのパフォーマンスを動的に追跡する信頼銀行とともに、良くも悪くも、適切に訓練のバランスをとる。 信頼銀行は、3つの戦略でインスタンス化され、業績の低いカテゴリーにトレーニングを傾けるための指標として活用される。 1)適応型コピーペースト及びカットミクスデータ拡張アプローチにより、低パフォーマンスなカテゴリをコピー又はカットする機会が高まる。 2) 適応的データサンプリングアプローチは,不適切なカテゴリの画素をサンプリングすることを奨励する。 3)疑似ラベルによるトレーニングノイズを軽減するための簡易かつ効果的な再重み付け法 実験的に、AELは様々なデータパーティションプロトコルの下でCityscapesとPascal VOCベンチマークにおいて最先端の手法よりも優れている。 コードはhttps://github.com/hzhupku/SemiSeg-AELで入手できる。

関連論文リスト

• ECAP: Extensive Cut-and-Paste Augmentation for Unsupervised Domain Adaptive Semantic Segmentation [4.082799056366928]
  本稿では,データ拡張を通じて信頼性の高い擬似ラベルを活用するための広範囲なカット・アンド・ペースト戦略(ECAP)を提案する。 ECAPはトレーニングを通じて擬似ラベル付きターゲットサンプルのメモリバンクを保持し、現在のトレーニングバッチに最も自信のあるサンプルをカット&ペーストする。 我々は,最近のMIC法に基づいてECPを実装し,その性能を2つの合成-実領域適応ベンチマークで向上させる。
  論文  参考訳（メタデータ） (2024-03-06T17:06:07Z)
• JointMatch: A Unified Approach for Diverse and Collaborative Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
  半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。 擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。 我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
  論文  参考訳（メタデータ） (2023-10-23T05:43:35Z)
• Bridging the Gap: Learning Pace Synchronization for Open-World Semi-Supervised Learning [44.91863420044712]
  オープンワールドの半教師付き学習において、機械学習モデルはラベルなしのデータから新しいカテゴリを明らかにすることを任務とする。 本稿では,(1)モデル偏差を軽減するためにクラス固有の負のマージンを課するアダプティブ・コミュニケート・ラミナル・ロス,(2)モデルによって予測される擬似ラベルを利用した擬似ラベル・コントラッシブ・クラスタリングについて紹介する。 本手法は,授業の学習速度のバランスを保ち,画像Netデータセットの平均精度を3%向上させる。
  論文  参考訳（メタデータ） (2023-09-21T09:44:39Z)
• Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
  従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。 本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-08-04T09:11:07Z)
• CAFS: Class Adaptive Framework for Semi-Supervised Semantic Segmentation [5.484296906525601]
  半教師付きセマンティックセグメンテーションは、いくつかのラベル付きサンプルと多数のラベルなし画像を使用して、ピクセルを特定のクラスに分類するモデルを学ぶ。 半教師付きセマンティックセグメンテーション(CAFS)のためのクラス適応型セミスーパービジョンフレームワークを提案する。 CAFSはラベル付きデータセットに検証セットを構築し、各クラスの校正性能を活用する。
  論文  参考訳（メタデータ） (2023-03-21T05:56:53Z)
• PercentMatch: Percentile-based Dynamic Thresholding for Multi-Label Semi-Supervised Classification [64.39761523935613]
  トレーニング中の各クラスに対する正と負の擬似ラベルのスコア閾値を動的に変更するためのパーセンタイルベースのしきい値調整手法を提案する。 近年のSSL方式と比較して, Pascal VOC2007 と MS-COCO のデータセットの性能は高い。
  論文  参考訳（メタデータ） (2022-08-30T01:27:48Z)
• PLM: Partial Label Masking for Imbalanced Multi-label Classification [59.68444804243782]
  長いラベルの分布を持つ実世界のデータセットで訓練されたニューラルネットワークは、頻繁なクラスに偏りがあり、頻繁なクラスでは不十分である。 本稿では,この比率を利用したPLM(Partial Label Masking)を提案する。 本手法は,マルチラベル (MultiMNIST と MSCOCO) とシングルラベル (CIFAR-10 と CIFAR-100) の2つの画像分類データセットにおいて,既存の手法と比較して高い性能を実現する。
  論文  参考訳（メタデータ） (2021-05-22T18:07:56Z)
• Adaptive Class Suppression Loss for Long-Tail Object Detection [49.7273558444966]
  アダプティブクラス抑圧損失(ACSL:Adaptive Class Suppression Loss)を考案し,尾部カテゴリの検出性能を改善する。 当社のACSLはResNet50-FPNで5.18%と5.2%の改善を実現し,新たな最先端技術を実現した。
  論文  参考訳（メタデータ） (2021-04-02T05:12:31Z)
• Delving Deep into Label Smoothing [112.24527926373084]
  ディープニューラルネットワーク(DNN)の効果的な正規化ツールとしてのラベル平滑化 対象カテゴリのモデル予測の統計に基づいてソフトラベルを生成するオンラインラベル平滑化(OLS)戦略を提案する。
  論文  参考訳（メタデータ） (2020-11-25T08:03:11Z)

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。