論文の概要: Weakly Supervised Semantic Segmentation using Out-of-Distribution Data
- arxiv url: http://arxiv.org/abs/2203.03860v1
- Date: Tue, 8 Mar 2022 05:33:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-09 15:01:18.704809
- Title: Weakly Supervised Semantic Segmentation using Out-of-Distribution Data
- Title(参考訳): アウト・オブ・ディストリビューションデータを用いた弱教師付きセマンティックセグメンテーション
- Authors: Jungbeom Lee, Seong Joon Oh, Sangdoo Yun, Junsuk Choe, Eunji Kim,
Sungroh Yoon
- Abstract要約: 弱教師付きセマンティックセグメンテーション(WSSS)法は、しばしばピクセルレベルのローカライゼーションマップ上に構築される。
本稿では,背景と背景を区別する新たな情報源を提案する。
- 参考スコア(独自算出の注目度): 50.45689349004041
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Weakly supervised semantic segmentation (WSSS) methods are often built on
pixel-level localization maps obtained from a classifier. However, training on
class labels only, classifiers suffer from the spurious correlation between
foreground and background cues (e.g. train and rail), fundamentally bounding
the performance of WSSS. There have been previous endeavors to address this
issue with additional supervision. We propose a novel source of information to
distinguish foreground from the background: Out-of-Distribution (OoD) data, or
images devoid of foreground object classes. In particular, we utilize the hard
OoDs that the classifier is likely to make false-positive predictions. These
samples typically carry key visual features on the background (e.g. rail) that
the classifiers often confuse as foreground (e.g. train), so these cues let
classifiers correctly suppress spurious background cues. Acquiring such hard
OoDs does not require an extensive amount of annotation efforts; it only incurs
a few additional image-level labeling costs on top of the original efforts to
collect class labels. We propose a method, W-OoD, for utilizing the hard OoDs.
W-OoD achieves state-of-the-art performance on Pascal VOC 2012.
- Abstract(参考訳): 弱教師付きセマンティックセグメンテーション(WSSS)法は、しばしば分類器から得られるピクセルレベルのローカライゼーションマップ上に構築される。
しかし、クラスラベルのみのトレーニングでは、分類器は前景と背景(列車や鉄道など)の急激な相関に悩まされ、WSSSの性能を根本的に制限する。
この問題にさらなる監督で対処する以前の取り組みがあった。
本稿では,フォアグラウンドと背景を区別する新たな情報源を提案する。
特に、分類器が偽陽性の予測をする可能性が高いハードオードを利用する。
これらのサンプルは、典型的には背景(レールなど)に重要な視覚的特徴を持ち、分類器は前景(列車など)として混同されることが多い。
このようなハードなoodを取得するには、大量のアノテーションの労力は必要ありません。
ハードオードを利用したw-ood法を提案する。
W-OoDはPascal VOC 2012で最先端のパフォーマンスを達成した。
関連論文リスト
- Learning to Detour: Shortcut Mitigating Augmentation for Weakly Supervised Semantic Segmentation [7.5856806269316825]
弱いラベルを用いた弱教師付きセマンティックセグメンテーション(WSSS)は,画素レベルのラベルを取得するためのアノテーションコストを軽減するために活発に研究されている。
本稿では,WSSS のためのショートカット緩和機能 (SMA) を提案する。これは,トレーニングデータに見られないオブジェクトと背景の組み合わせの合成表現を生成し,ショートカット機能の使用を減らす。
論文 参考訳(メタデータ) (2024-05-28T13:07:35Z) - Scribble Hides Class: Promoting Scribble-Based Weakly-Supervised
Semantic Segmentation with Its Class Label [16.745019028033518]
画像レベルのクラスから情報を得たスクリブルアノテーションと擬似ラベルと、監督のためのグローバルセマンティクスの両方を利用するクラス駆動型スクリブルプロモーションネットワークを提案する。
スクリブルアノテーションの異なる性質を持つScribbleSupデータセットの実験は、従来の手法よりも優れており、本手法の優位性と堅牢性を示している。
論文 参考訳(メタデータ) (2024-02-27T14:51:56Z) - Virtual Category Learning: A Semi-Supervised Learning Method for Dense
Prediction with Extremely Limited Labels [63.16824565919966]
本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。
仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。
私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
論文 参考訳(メタデータ) (2023-12-02T16:23:52Z) - Towards Single Stage Weakly Supervised Semantic Segmentation [2.28438857884398]
弱教師付きセマンティックセグメンテーションへのシングルステージアプローチを提案する。
ポイントアノテーションを使用して、オンザフライで信頼性の高い擬似マスクを生成します。
我々は、最近の実世界のデータセットにおいて、他のSOTA WSSS手法よりも大幅に優れています。
論文 参考訳(メタデータ) (2021-06-18T18:34:50Z) - A Closer Look at Self-training for Zero-Label Semantic Segmentation [53.4488444382874]
トレーニング中に見られないクラスをセグメント化できることは、ディープラーニングにおいて重要な技術的課題です。
事前のゼロラベルセマンティクスセグメンテーションは、ビジュアル・セマンティクスの埋め込みや生成モデルを学ぶことによってこのタスクにアプローチする。
本研究では,同一画像の異なる増分から生じる擬似ラベルの交点を取り出し,ノイズの多い擬似ラベルをフィルタリングする整合性正規化器を提案する。
論文 参考訳(メタデータ) (2021-04-21T14:34:33Z) - Background-Aware Pooling and Noise-Aware Loss for Weakly-Supervised
Semantic Segmentation [27.50216933606052]
バウンディングボックスアノテーションを用いた弱い教師付きセマンティックセグメンテーションの問題に対処する。
背景領域は画像内の一部で知覚的に一貫性があり、オブジェクト境界ボックス内の前景と背景領域を識別するために利用することができる。
ノイズ認識損失(nal)により,誤りラベルに対するネットワークの感受性が低下する。
論文 参考訳(メタデータ) (2021-04-02T06:38:41Z) - Revisiting Deep Local Descriptor for Improved Few-Shot Classification [56.74552164206737]
textbfDense textbfClassification と textbfAttentive textbfPooling を利用して埋め込みの質を向上させる方法を示す。
広範に使われているグローバル平均プール (GAP) の代わりに, 注意深いプールを施し, 特徴マップをプールすることを提案する。
論文 参考訳(メタデータ) (2021-03-30T00:48:28Z) - Grafit: Learning fine-grained image representations with coarse labels [114.17782143848315]
本稿では,学習ラベルの提供するものよりも細かな表現を学習する問題に対処する。
粗いラベルと下層の細粒度潜在空間を併用することにより、カテゴリレベルの検索手法の精度を大幅に向上させる。
論文 参考訳(メタデータ) (2020-11-25T19:06:26Z) - GPU-based Self-Organizing Maps for Post-Labeled Few-Shot Unsupervised
Learning [2.922007656878633]
少ないショット分類は、非常に限られたラベル付き例を使って分類器を訓練することを目的としている機械学習の課題である。
本稿では,無指導で表現を学習する分類タスクである,ラベル付き数発の教師なし学習の問題について,アノテートされたごく少数の例を用いて後述する。
論文 参考訳(メタデータ) (2020-09-04T13:22:28Z) - Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。
既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。
本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
論文 参考訳(メタデータ) (2020-04-12T03:53:53Z)
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。