論文の概要: Uncertainty Estimation via Response Scaling for Pseudo-mask Noise
Mitigation in Weakly-supervised Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2112.07431v1
- Date: Tue, 14 Dec 2021 14:37:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-15 21:30:27.014272
- Title: Uncertainty Estimation via Response Scaling for Pseudo-mask Noise
Mitigation in Weakly-supervised Semantic Segmentation
- Title(参考訳): 弱教師付きセマンティックセグメンテーションにおける擬似マスク雑音除去のための応答スケーリングによる不確かさ推定
- Authors: Yi Li, Yiqun Duan, Zhanghui Kuang, Yimin Chen, Wayne Zhang, Xiaomeng
Li
- Abstract要約: Wakly-Supervised Semantic (WSSS) は、高密度アノテーションの重い負担なしにオブジェクトをセグメント化する。
本研究では,不確実性推定のための予測マップを複数回スケーリングすることで,応答の雑音変化をシミュレートする。
この不確実性は、ノイズの監視信号を緩和するためにセグメンテーション損失の重み付けに使用される。
- 参考スコア(独自算出の注目度): 29.464035548191895
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Weakly-Supervised Semantic Segmentation (WSSS) segments objects without a
heavy burden of dense annotation. While as a price, generated pseudo-masks
exist obvious noisy pixels, which result in sub-optimal segmentation models
trained over these pseudo-masks. But rare studies notice or work on this
problem, even these noisy pixels are inevitable after their improvements on
pseudo-mask. So we try to improve WSSS in the aspect of noise mitigation. And
we observe that many noisy pixels are of high confidence, especially when the
response range is too wide or narrow, presenting an uncertain status. Thus, in
this paper, we simulate noisy variations of response by scaling the prediction
map multiple times for uncertainty estimation. The uncertainty is then used to
weight the segmentation loss to mitigate noisy supervision signals. We call
this method URN, abbreviated from Uncertainty estimation via Response scaling
for Noise mitigation. Experiments validate the benefits of URN, and our method
achieves state-of-the-art results at 71.2% and 41.5% on PASCAL VOC 2012 and MS
COCO 2014 respectively, without extra models like saliency detection. Code is
available at https://github.com/XMed-Lab/URN.
- Abstract(参考訳): WSSS (Weakly Supervised Semantic Segmentation) は、高密度アノテーションの重い負担なしにオブジェクトをセグメント化する。
価格として、生成された擬似マスクは明らかにノイズの多いピクセルが存在し、結果としてこれらの擬似マスク上で訓練された準最適セグメンテーションモデルが得られる。
しかし、こうしたノイズの多いピクセルでさえ、疑似マスクの改良の後、避けられないことだ。
そこで、ノイズ緩和の観点からWSSSを改善しようとしています。
また,多くのノイズ画素が高信頼であり,特に応答範囲が広すぎるか狭すぎる場合,不確実な状態を示す。
そこで本研究では,不確実性推定のための予測マップを複数回スケーリングすることで,応答のノイズ変動をシミュレートする。
不確実性はセグメンテーション損失の重み付けに使われ、ノイズの監視信号を緩和する。
雑音緩和のための応答スケーリングによる不確実性推定から,本手法をurnと呼ぶ。
URNの利点を検証し,本手法はPASCAL VOC 2012とMS COCO 2014でそれぞれ71.2%,41.5%の最先端結果を達成する。
コードはhttps://github.com/XMed-Lab/URN.comで入手できる。
関連論文リスト
- SegRefiner: Towards Model-Agnostic Segmentation Refinement with Discrete
Diffusion Process [102.18226145874007]
そこで我々は,異なるセグメンテーションモデルによって生成されるオブジェクトマスクの品質を高めるために,SegRefinerと呼ばれるモデルに依存しないソリューションを提案する。
SegRefinerは粗いマスクを入力として取り、離散拡散プロセスを用いてそれらを洗練する。
さまざまな種類の粗いマスクにわたるセグメンテーションメトリックとバウンダリメトリックの両方を一貫して改善する。
論文 参考訳(メタデータ) (2023-12-19T18:53:47Z) - Negative Pre-aware for Noisy Cross-modal Matching [46.5591267410225]
雑音対応は認識と修正が難しいため,クロスモーダルノイズロバスト学習は難しい課題である。
本稿では,雑音の多い下流タスクに対する大規模視覚言語モデルファインタニングのための,否定的事前認識型クロスモーダルマッチングソリューションを提案する。
論文 参考訳(メタデータ) (2023-12-10T05:52:36Z) - Heteroscedastic Uncertainty Estimation for Probabilistic Unsupervised
Registration of Noisy Medical Images [31.989460667459195]
非監督的医用画像登録のための不確定不確実性推定フレームワークを提案する。
私たちのフレームワークは、量的にも質的にも、他のベースラインよりも一貫して優れています。
論文 参考訳(メタデータ) (2023-12-01T01:03:06Z) - Label Noise: Correcting a Correction [0.0]
ラベルノイズのあるデータセット上でニューラルネットワーク分類器を訓練することは、ノイズのあるラベルに過度に適合するリスクをもたらす。
ラベルノイズによる過度適合に対処するための,より直接的なアプローチを提案する。
異なる損失関数に対する最小到達可能な雑音リスクに対して、明示的で容易に計算可能な境界を求める理論的結果を提供する。
論文 参考訳(メタデータ) (2023-07-24T19:41:19Z) - Robust Semantic Communications with Masked VQ-VAE Enabled Codebook [56.63571713657059]
本稿では,ロバストなエンドツーエンドのセマンティック通信システムにおいて,セマンティックノイズに対処するためのフレームワークを提案する。
セマンティックノイズに対処するため、重み付き対向トレーニングを開発し、トレーニングデータセットにセマンティックノイズを組み込む。
ノイズやタスク非関連の特徴を抑える機能重要モジュール (FIM) を開発した。
論文 参考訳(メタデータ) (2022-06-08T16:58:47Z) - Combating Noise: Semi-supervised Learning by Region Uncertainty
Quantification [55.23467274564417]
現在の手法は、擬似ラベルによって生成されるノイズの多い領域によって容易に妨げられる。
領域の不確実性を定量化して雑音耐性半教師付き学習を提案する。
PASCAL VOCとMS COCOの併用実験により,本手法の異常な性能を実証した。
論文 参考訳(メタデータ) (2021-11-01T13:23:42Z) - Learning based signal detection for MIMO systems with unknown noise
statistics [84.02122699723536]
本論文では,未知のノイズ統計による信号を堅牢に検出する一般化最大確率(ML)推定器を考案する。
実際には、システムノイズに関する統計的な知識はほとんどなく、場合によっては非ガウス的であり、衝動的であり、分析不可能である。
我々のフレームワークは、ノイズサンプルのみを必要とする教師なしの学習アプローチによって駆動される。
論文 参考訳(メタデータ) (2021-01-21T04:48:15Z) - Tackling Instance-Dependent Label Noise via a Universal Probabilistic
Model [80.91927573604438]
本稿では,ノイズラベルをインスタンスに明示的に関連付ける,単純かつ普遍的な確率モデルを提案する。
合成および実世界のラベルノイズを用いたデータセット実験により,提案手法がロバスト性に大きな改善をもたらすことを確認した。
論文 参考訳(メタデータ) (2021-01-14T05:43:51Z) - Improving Face Recognition by Clustering Unlabeled Faces in the Wild [77.48677160252198]
極値理論に基づく新しいアイデンティティ分離法を提案する。
重なり合うラベルノイズによる問題を大幅に低減する。
制御された設定と実際の設定の両方の実験は、我々のメソッドの一貫性のある改善を示している。
論文 参考訳(メタデータ) (2020-07-14T12:26:50Z)
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。