論文の概要: Semi-Supervised Semantic Segmentation Using Unreliable Pseudo-Labels

• arxiv url: http://arxiv.org/abs/2203.03884v1
• Date: Tue, 8 Mar 2022 07:16:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-10 00:34:18.076676
• Title: Semi-Supervised Semantic Segmentation Using Unreliable Pseudo-Labels
• Title（参考訳）: 信頼できない擬似ラベルを用いた半教師付き意味セグメンテーション
• Authors: Yuchao Wang, Haochen Wang, Yujun Shen, Jingjing Fei, Wei Li, Guoqiang Jin, Liwei Wu, Rui Zhao, Xinyi Le
• Abstract要約: すべてのピクセルがモデルトレーニングに重要であり、その予測でさえ曖昧である、と我々は主張する。 予測のエントロピーを通じて信頼できない画素を分離し、各信頼できない画素を負のサンプルからなるカテゴリワイドキューにプッシュし、すべての候補画素でモデルをトレーニングする。
• 参考スコア（独自算出の注目度）: 29.32275289325213
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The crux of semi-supervised semantic segmentation is to assign adequate pseudo-labels to the pixels of unlabeled images. A common practice is to select the highly confident predictions as the pseudo ground-truth, but it leads to a problem that most pixels may be left unused due to their unreliability. We argue that every pixel matters to the model training, even its prediction is ambiguous. Intuitively, an unreliable prediction may get confused among the top classes (i.e., those with the highest probabilities), however, it should be confident about the pixel not belonging to the remaining classes. Hence, such a pixel can be convincingly treated as a negative sample to those most unlikely categories. Based on this insight, we develop an effective pipeline to make sufficient use of unlabeled data. Concretely, we separate reliable and unreliable pixels via the entropy of predictions, push each unreliable pixel to a category-wise queue that consists of negative samples, and manage to train the model with all candidate pixels. Considering the training evolution, where the prediction becomes more and more accurate, we adaptively adjust the threshold for the reliable-unreliable partition. Experimental results on various benchmarks and training settings demonstrate the superiority of our approach over the state-of-the-art alternatives.
• Abstract（参考訳）: 半教師付きセマンティックセグメンテーションの要点は、ラベルのない画像のピクセルに適切な擬似ラベルを割り当てることである。 一般的な方法は、疑似接地真実として高い自信を持つ予測を選択することであるが、ほとんどの画素が信頼できないために使われていないという問題を引き起こす。 すべてのピクセルがモデルのトレーニングに重要であり、その予測さえ曖昧であると主張する。 直観的には、信頼できない予測は上位クラス(すなわち高い確率を持つクラス)の間で混乱することがあるが、残りのクラスに属していないピクセルに対して自信を持つべきである。 したがって、そのようなピクセルは、最もありそうもないカテゴリに対する負のサンプルとして説得的に扱うことができる。 この知見に基づいて,ラベルのないデータを十分に活用するための効果的なパイプラインを開発する。 具体的には、予測のエントロピーを通じて信頼できない画素を分離し、各信頼できない画素を負のサンプルからなるカテゴリワイドキューにプッシュし、すべての候補画素でモデルをトレーニングする。 予測がより正確になるトレーニングの進化を考えると、信頼できない分割のしきい値を適応的に調整します。 様々なベンチマークとトレーニング設定の実験結果から、最先端の代替案に対するアプローチの優位性を示す。

関連論文リスト

• Weighting Pseudo-Labels via High-Activation Feature Index Similarity and Object Detection for Semi-Supervised Segmentation [33.384621509857524]
  半教師付きセマンティックセグメンテーション法は、擬似ラベル付けによってラベル付けされていないデータを活用する。 既存の手法では、誤った擬似ラベルを避けるため、主に高信頼画素を選択する。 疑似ラベルから確実に学習するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-07-17T14:58:04Z)
• Semi-supervised Counting via Pixel-by-pixel Density Distribution Modelling [135.66138766927716]
  本稿では,トレーニングデータのごく一部をラベル付けした半教師付き群集カウントに着目した。 我々は1つの決定論的値ではなく、確率分布として回帰するためにピクセル単位の密度値を定式化する。 本手法は,様々なラベル付き比率設定の下で,競争相手よりも明らかに優れる。
  論文  参考訳（メタデータ） (2024-02-23T12:48:02Z)
• NP-SemiSeg: When Neural Processes meet Semi-Supervised Semantic Segmentation [87.50830107535533]
  半教師付きセマンティックセグメンテーションでは、トレーニング時にピクセルワイズラベルをラベル付けされていない画像に割り当てる。 モデルによるクラスワイズ確率分布から各画素の擬似ラベルを予測し,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へのアプローチ 本研究では,NPを半教師付きセマンティックセグメンテーションに適応させることにより一歩前進し,NP-SemiSegと呼ばれる新しいモデルを実現する。
  論文  参考訳（メタデータ） (2023-08-05T12:42:15Z)
• Using Unreliable Pseudo-Labels for Label-Efficient Semantic Segmentation [78.56076985502291]
  私たちは、すべてのピクセルがモデルトレーニングに重要であり、信頼できない、曖昧なピクセルでさえも重要だと論じます。 我々は予測のエントロピーを通して信頼できないピクセルを分離し、信頼できない各ピクセルを負のキーからなるカテゴリワイドキューにプッシュする。 トレーニングの進化を考えると、信頼できない分割の閾値を適応的に調整する。
  論文  参考訳（メタデータ） (2023-06-04T09:40:25Z)
• SePiCo: Semantic-Guided Pixel Contrast for Domain Adaptive Semantic Segmentation [52.62441404064957]
  ドメイン適応セマンティックセグメンテーションは、ラベル付きソースドメインでトレーニングされたモデルを利用することで、ラベル付きターゲットドメイン上で満足のいく密度の予測を試みる。 多くの手法は、ノイズの多い擬似ラベルを緩和する傾向があるが、類似のセマンティックな概念を持つクロスドメインピクセル間の固有の接続を無視する。 本稿では,個々の画素のセマンティックな概念を強調する一段階適応フレームワークSePiCoを提案する。
  論文  参考訳（メタデータ） (2022-04-19T11:16:29Z)
• Uncertainty-Aware Semi-Supervised Few Shot Segmentation [9.098329723771116]
  少ないショットセグメンテーション(FSS)は、いくつかのアノテーション付きサポートサンプルを使用して、クエリ画像中の対象オブジェクトのピクセルレベルの分類を学習することを目的としている。 これは、ターゲットオブジェクトの外観のバリエーションをモデル化し、クエリとサポートイメージの間の多様な視覚的手がかりを限られた情報で表現する必要があるため、難しい。 本研究では,不確実性のあるラベル付き画像から新たなプロトタイプを活用できる半教師付きFSS戦略を提案する。
  論文  参考訳（メタデータ） (2021-10-18T00:37:46Z)
• 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)
• An Empirical Study of the Collapsing Problem in Semi-Supervised 2D Human Pose Estimation [80.02124918255059]
  半教師付き学習は、ラベルなし画像の探索によってモデルの精度を高めることを目的としている。 私たちは相互に教え合うために2つのネットワークを学びます。 各ネットワーク内の容易なイメージに関するより信頼性の高い予測は、他のネットワークに対応するハードイメージについて学ぶように教えるために使用される。
  論文  参考訳（メタデータ） (2020-11-25T03:29:52Z)

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。