論文の概要: Unbiased Subclass Regularization for Semi-Supervised Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2203.10026v1
• Date: Fri, 18 Mar 2022 15:53:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-21 15:03:43.689304
• Title: Unbiased Subclass Regularization for Semi-Supervised Semantic Segmentation
• Title（参考訳）: 半監督セマンティックセグメンテーションのための非バイアスサブクラス正規化
• Authors: Dayan Guan, Jiaxing Huang, Aoran Xiao, Shijian Lu
• Abstract要約: 半教師付きセマンティックセグメンテーションは、少量のラベル付き画像と大量の未ラベル画像から学習する。 本稿では、クラス不均衡問題を緩和する非バイアス付きサブクラス正規化ネットワーク(USRN)を提案する。
• 参考スコア（独自算出の注目度）: 47.533612505477535
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Semi-supervised semantic segmentation learns from small amounts of labelled images and large amounts of unlabelled images, which has witnessed impressive progress with the recent advance of deep neural networks. However, it often suffers from severe class-bias problem while exploring the unlabelled images, largely due to the clear pixel-wise class imbalance in the labelled images. This paper presents an unbiased subclass regularization network (USRN) that alleviates the class imbalance issue by learning class-unbiased segmentation from balanced subclass distributions. We build the balanced subclass distributions by clustering pixels of each original class into multiple subclasses of similar sizes, which provide class-balanced pseudo supervision to regularize the class-biased segmentation. In addition, we design an entropy-based gate mechanism to coordinate learning between the original classes and the clustered subclasses which facilitates subclass regularization effectively by suppressing unconfident subclass predictions. Extensive experiments over multiple public benchmarks show that USRN achieves superior performance as compared with the state-of-the-art.
• 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は、少数のラベル付き画像と大量の非ラベル付き画像から学習し、近年のディープニューラルネットワークの進歩で目覚ましい進歩をみせた。 しかし、ラベル付き画像の明快なピクセル単位のクラス不均衡が原因で、ラベル付き画像の探索中に深刻なクラスバイアスの問題を抱えることが多い。 本稿では,均衡部分クラス分布からクラス非バイアスセグメンテーションを学習することにより,クラス不均衡を緩和する非バイアス部分クラス正規化ネットワーク(usrn)を提案する。 我々は,各オリジナルクラスのピクセルを同じ大きさの複数のサブクラスにクラスタリングすることで,バランスの取れたサブクラス分布を構築する。 さらに,不確実なサブクラス予測を抑えることで,サブクラス正規化を効果的に促進する,元のクラスとクラスタ化されたサブクラス間の学習を協調するエントロピーベースのゲート機構を設計する。 複数の公開ベンチマークに対する大規模な実験は、USRNが最先端技術と比較して優れたパフォーマンスを達成していることを示している。

関連論文リスト

• Tendency-driven Mutual Exclusivity for Weakly Supervised Incremental Semantic Segmentation [56.1776710527814]
  Weakly Incremental Learning for Semantic (WILSS)は、トレーニング済みのセグメンテーションモデルを利用して、コスト効率と手軽に利用できるイメージレベルのラベルを使用して、新しいクラスをセグメンテーションする。 WILSSを解く最も一般的な方法は、各新しいクラスのシード領域の生成であり、ピクセルレベルの監視の一形態として機能する。 本研究は, 種子領域の挙動を綿密に調整した, 相互排他性に関する革新的, 傾向的関係について提案する。
  論文  参考訳（メタデータ） (2024-04-18T08:23:24Z)
• Subclass-balancing Contrastive Learning for Long-tailed Recognition [38.31221755013738]
  不均衡なクラス分布を持つロングテール認識は、実践的な機械学習アプリケーションで自然に現れる。 そこで我々は,各ヘッドクラスを複数のサブクラスにクラスタリングする,新しいサブクラスバランス・コントラッシブ・ラーニング・アプローチを提案する。 我々は,長期化ベンチマークデータセットの一覧からSBCLを評価し,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-06-28T05:08:43Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• Learning to Annotate Part Segmentation with Gradient Matching [58.100715754135685]
  本稿では,事前学習したGANを用いて,高品質な画像を生成することで,半教師付き部分分割タスクに対処することに焦点を当てる。 特に、アノテータ学習を学習から学習までの問題として定式化する。 提案手法は,実画像,生成された画像,さらには解析的に描画された画像を含む,幅広いラベル付き画像からアノテータを学習可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-06T01:29:22Z)
• One-Class Risk Estimation for One-Class Hyperspectral Image Classification [8.206701378422968]
  ハイパースペクトル画像(HSI)の1クラス分類は、HSIから単一のターゲットクラスを特定することを目的としている。 深層学習に基づく手法は,HSIマルチクラス化における分散重複を克服するために現在主流である。 本稿では、弱い教師付き深いHSI一級分類であるHOneClsを提案する。
  論文  参考訳（メタデータ） (2022-10-27T14:15:13Z)
• Prediction Calibration for Generalized Few-shot Semantic Segmentation [101.69940565204816]
  汎用Few-shot Semantic (GFSS) は、各画像ピクセルを、豊富なトレーニング例を持つベースクラスか、クラスごとにわずかに(例: 1-5)のトレーニングイメージを持つ新しいクラスのいずれかに分割することを目的としている。 我々は、融合したマルチレベル機能を用いて、分類器の最終予測をガイドするクロスアテンションモジュールを構築する。 私たちのPCNは、最先端の代替品よりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2022-10-15T13:30:12Z)
• Exploring Smoothness and Class-Separation for Semi-supervised Medical Image Segmentation [39.068698033394064]
  本稿では,半教師付き医用画像分割作業のためのSS-Netを提案する。 ピクセルレベルの滑らかさは、逆方向の摂動の下でモデルに不変な結果を生成するように強制する。 クラス間の分離の制約は、個々のクラスの特徴が対応する高品質のプロトタイプにアプローチすべきである。
  論文  参考訳（メタデータ） (2022-03-02T08:38:09Z)
• Boosting few-shot classification with view-learnable contrastive learning [19.801016732390064]
  埋め込み空間の細粒度構造を学習するために,数ショットの分類に対照的な損失を導入する。 我々は,同じ画像の異なるビューを自動的に生成する学習学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-07-20T03:13:33Z)
• No Subclass Left Behind: Fine-Grained Robustness in Coarse-Grained Classification Problems [20.253644336965042]
  実世界の分類タスクでは、各クラスは、しばしば複数のよりきめ細かい「サブクラス」を含む。 サブクラスラベルは頻繁に利用できないため、粗粒度のクラスラベルのみを使用してトレーニングされたモデルは、異なるサブクラス間で高い可変性能を示すことが多い。 本稿では,サブクラスラベルが不明な場合でも,隠れ層化を計測・緩和するGEORGEを提案する。
  論文  参考訳（メタデータ） (2020-11-25T18:50:32Z)
• M2m: Imbalanced Classification via Major-to-minor Translation [79.09018382489506]
  ほとんどの実世界のシナリオでは、ラベル付きトレーニングデータセットは非常にクラス不均衡であり、ディープニューラルネットワークは、バランスの取れたテスト基準への一般化に苦しむ。 本稿では,より頻度の低いクラスを,より頻度の低いクラスからのサンプルを翻訳することによって,この問題を緩和する新しい方法を提案する。 提案手法は,従来の再サンプリング法や再重み付け法と比較して,マイノリティクラスの一般化を著しく改善することを示す。
  論文  参考訳（メタデータ） (2020-04-01T13:21:17Z)

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。