Fugu-MT 論文翻訳(概要): Semantic Segmentation with Active Semi-Supervised Learning

論文の概要: Semantic Segmentation with Active Semi-Supervised Learning

arxiv url: http://arxiv.org/abs/2203.10730v1
Date: Mon, 21 Mar 2022 04:16:25 GMT
ステータス: 処理完了
システム内更新日: 2022-03-22 14:27:09.940448
Title: Semantic Segmentation with Active Semi-Supervised Learning
Title（参考訳）: 半教師付きアクティブ学習によるセマンティックセグメンテーション
Authors: Aneesh Rangnekar, Christopher Kanan, Matthew Hoffman
Abstract要約: 本稿では,能動的学習と半教師付き学習を組み合わせた新しいアルゴリズムを提案する。本手法は,ネットワークの性能の95%以上をフルトレーニングセットで取得する。
参考スコア（独自算出の注目度）: 23.79742108127707
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Using deep learning, we now have the ability to create exceptionally good semantic segmentation systems; however, collecting the prerequisite pixel-wise annotations for training images remains expensive and time-consuming. Therefore, it would be ideal to minimize the number of human annotations needed when creating a new dataset. Here, we address this problem by proposing a novel algorithm that combines active learning and semi-supervised learning. Active learning is an approach for identifying the best unlabeled samples to annotate. While there has been work on active learning for segmentation, most methods require annotating all pixel objects in each image, rather than only the most informative regions. We argue that this is inefficient. Instead, our active learning approach aims to minimize the number of annotations per-image. Our method is enriched with semi-supervised learning, where we use pseudo labels generated with a teacher-student framework to identify image regions that help disambiguate confused classes. We also integrate mechanisms that enable better performance on imbalanced label distributions, which have not been studied previously for active learning in semantic segmentation. In experiments on the CamVid and CityScapes datasets, our method obtains over 95% of the network's performance on the full-training set using less than 19% of the training data, whereas the previous state of the art required 40% of the training data.
Abstract（参考訳）: ディープラーニングを使えば、非常に優れたセマンティクスセグメンテーションシステムを作ることができますが、画像のトレーニングに必要なピクセル単位でのアノテーションの収集は依然として高価で時間がかかります。したがって、新しいデータセットを作成するのに必要なヒューマンアノテーションの数を最小にするのが理想的でしょう。本稿では,能動的学習と半教師付き学習を組み合わせた新しいアルゴリズムを提案する。アクティブラーニング(active learning)は、注釈なしの最良のサンプルを特定するためのアプローチである。セグメンテーションのためのアクティブラーニングの研究は行われているが、ほとんどの方法は最も情報性の高い領域だけでなく、各画像にすべてのピクセルオブジェクトを注釈付けする必要がある。これは非効率だと主張する。その代わり、アクティブな学習アプローチは、画像当たりのアノテーションの数を最小限にすることを目的としています。本手法は半教師付き学習に富み,教師学習フレームワークを用いて生成した擬似ラベルを用いて画像領域の識別を行う。また,セマンティクスセグメンテーションにおけるアクティブ学習のためにこれまで研究されていない不均衡ラベル分布の性能を向上させる機構も統合する。 CamVidとCityScapesのデータセットを用いた実験では,トレーニングデータの19%以下を用いて,ネットワークの性能の95%以上をフルトレーニングセットで取得した。

関連論文リスト

Two-Step Active Learning for Instance Segmentation with Uncertainty and Diversity Sampling [20.982992381790034]
本研究では,不確実性に基づくサンプリングと多様性に基づくサンプリングを統合したポストホック能動学習アルゴリズムを提案する。提案アルゴリズムは単純で実装が容易なだけでなく,様々なデータセットに対して優れた性能を実現する。
論文参考訳（メタデータ） (2023-09-28T03:40:30Z)
Learning Semantic Segmentation with Query Points Supervision on Aerial Images [62.36946925639107]
セマンティックセグメンテーションアルゴリズムを学習するための弱教師付き学習アルゴリズムを提案する。提案手法は正確なセマンティックセグメンテーションを行い,手作業のアノテーションに要するコストと時間を大幅に削減することで効率を向上する。
論文参考訳（メタデータ） (2023-09-11T14:32:04Z)
Semantic Segmentation with Active Semi-Supervised Representation Learning [23.79742108127707]
我々はラベル付きデータよりもはるかに少ない効果的なセマンティックセグメンテーションアルゴリズムを訓練する。半教師あり学習のための平均教師アプローチを自己学習アプローチに置き換えることで、従来のS4ALアルゴリズムを拡張した。セマンティックセグメンテーションのためのアクティブラーニングのためのデファクト標準であるCamVidおよびCityScapesデータセットについて,本手法の評価を行った。
論文参考訳（メタデータ） (2022-10-16T00:21:43Z)
A Pixel-Level Meta-Learner for Weakly Supervised Few-Shot Semantic Segmentation [40.27705176115985]
Few-shotのセマンティックセマンティックセグメンテーションは、興味のある新しいクラスのために、地上の真実のピクセルレベルのラベルを持つ少数の画像しか利用できない学習タスクに対処する。限られたデータとその意味ラベルから擬似画素レベルのセグメンテーションマスクを予測するメタラーニングフレームワークを提案する。提案する学習モデルは,画素レベルのメタラーナーとみなすことができる。
論文参考訳（メタデータ） (2021-11-02T08:28:11Z)
AugNet: End-to-End Unsupervised Visual Representation Learning with Image Augmentation [3.6790362352712873]
我々は、未ラベル画像の集合から画像特徴を学習するための新しいディープラーニングトレーニングパラダイムであるAugNetを提案する。実験により,低次元空間における画像の表現が可能であることを実証した。多くのディープラーニングベースの画像検索アルゴリズムとは異なり、我々のアプローチは外部アノテーション付きデータセットへのアクセスを必要としない。
論文参考訳（メタデータ） (2021-06-11T09:02:30Z)
Towards Good Practices for Efficiently Annotating Large-Scale Image Classification Datasets [90.61266099147053]
多数の画像の分類ラベルを収集するための効率的なアノテーション戦略を検討する。人間のラベリング作業を最小化するための修正とベストプラクティスを提案します。 ImageNet100の125kイメージサブセットのシミュレーション実験では、平均で0.35のアノテーションで80%のトップ-1の精度でアノテートできることが示されている。
論文参考訳（メタデータ） (2021-04-26T16:29:32Z)
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)
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)
SCAN: Learning to Classify Images without Labels [73.69513783788622]
機能学習とクラスタリングを分離する2段階のアプローチを提唱する。表現学習からの自己教師型タスクを用いて意味論的意味のある特徴を得る。我々は、ImageNet上で有望な結果を得、低データ体制下では、いくつかの半教師付き学習方法より優れています。
論文参考訳（メタデータ） (2020-05-25T18:12:33Z)
Naive-Student: Leveraging Semi-Supervised Learning in Video Sequences for Urban Scene Segmentation [57.68890534164427]
本研究では,未ラベル映像シーケンスと追加画像の半教師付き学習を利用して,都市景観セグメンテーションの性能を向上させることができるかどうかを問う。我々は単にラベルのないデータに対して擬似ラベルを予測し、人間の注釈付きデータと擬似ラベル付きデータの両方でその後のモデルを訓練する。我々のNaive-Studentモデルは、このような単純で効果的な反復的半教師付き学習で訓練され、3つのCityscapesベンチマークで最先端の結果を得る。
論文参考訳（メタデータ） (2020-05-20T18:00:05Z)

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。