論文の概要: Semi-supervised Semantic Segmentation with Error Localization Network

• arxiv url: http://arxiv.org/abs/2204.02078v1
• Date: Tue, 5 Apr 2022 09:42:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-06 13:32:05.800183
• Title: Semi-supervised Semantic Segmentation with Error Localization Network
• Title（参考訳）: 誤り局在ネットワークを用いた半教師付き意味セグメンテーション
• Authors: Donghyeon Kwon and Suha Kwak
• Abstract要約: 本稿では,セマンティックセグメンテーションの半教師付き学習について検討する。 トレーニングイメージのごく一部だけがラベル付けされており、他はラベル付けされていないと仮定する。 ラベルなしのイメージは通常、トレーニングで使用される擬似ラベルに割り当てられる。 本稿では、この慢性的な擬似ラベリングの問題を解決する新しい方法を提案する。
• 参考スコア（独自算出の注目度）: 16.42221567235617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies semi-supervised learning of semantic segmentation, which assumes that only a small portion of training images are labeled and the others remain unlabeled. The unlabeled images are usually assigned pseudo labels to be used in training, which however often causes the risk of performance degradation due to the confirmation bias towards errors on the pseudo labels. We present a novel method that resolves this chronic issue of pseudo labeling. At the heart of our method lies error localization network (ELN), an auxiliary module that takes an image and its segmentation prediction as input and identifies pixels whose pseudo labels are likely to be wrong. ELN enables semi-supervised learning to be robust against inaccurate pseudo labels by disregarding label noises during training and can be naturally integrated with self-training and contrastive learning. Moreover, we introduce a new learning strategy for ELN that simulates plausible and diverse segmentation errors during training of ELN to enhance its generalization. Our method is evaluated on PASCAL VOC 2012 and Cityscapes, where it outperforms all existing methods in every evaluation setting.
• Abstract（参考訳）: 本稿では,訓練画像のごく一部のみがラベル付けされ,その他はラベル付けされていないと仮定した,意味セグメンテーションの半教師付き学習について検討する。 ラベル付き画像は通常、トレーニングに使用する擬似ラベルが割り当てられるが、偽ラベルの誤りに対する確認バイアスによる性能劣化のリスクが生じることが多い。 本稿では,この慢性的な偽ラベリング問題を解決する新しい手法を提案する。 本手法の核心は、画像とそのセグメント化予測を入力とし、擬似ラベルが誤っている可能性のある画素を識別する補助モジュールであるエラーローカライゼーションネットワーク(ELN)である。 elnは、トレーニング中にラベルノイズを無視して、不正確な擬似ラベルに対して堅牢な半教師付き学習を可能にし、自己学習やコントラスト学習と自然に統合することができる。 さらに,ELNのトレーニング中に,多種多様なセグメンテーションエラーをシミュレートしたELNの新しい学習戦略を導入し,その一般化を促進させる。 提案手法はpascal voc 2012とcityscapesで評価され,各評価環境で既存の手法を上回っている。

関連論文リスト

• 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)
• Estimating label quality and errors in semantic segmentation data via any model [19.84626033109009]
  ラベル品質を評価する手法について検討し、最も低いスコアのイメージを正しくラベル付けする可能性が低いことを示す。 これにより、高品質なトレーニング/評価データセットを保証するために、レビューするデータを優先順位付けすることが可能になる。
  論文  参考訳（メタデータ） (2023-07-11T07:29:09Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• Pseudo-Label Noise Suppression Techniques for Semi-Supervised Semantic Segmentation [21.163070161951868]
  半消費学習(SSL)は、教師なしデータをトレーニングに組み込むことで、大きなラベル付きデータセットの必要性を減らすことができる。 現在のSSLアプローチでは、初期教師付きトレーニングモデルを使用して、擬似ラベルと呼ばれる未ラベル画像の予測を生成する。 擬似ラベルノイズと誤りを3つのメカニズムで制御する。
  論文  参考訳（メタデータ） (2022-10-19T09:46:27Z)
• PLMCL: Partial-Label Momentum Curriculum Learning for Multi-Label Image Classification [25.451065364433028]
  マルチラベル画像分類は、画像内の全ての可能なラベルを予測することを目的としている。 既存の部分ラベル学習の研究は、各トレーニングイメージがラベルのサブセットでアノテートされている場合に焦点を当てている。 本稿では,トレーニング画像のサブセットのみをラベル付けした新たな部分ラベル設定を提案する。
  論文  参考訳（メタデータ） (2022-08-22T01:23:08Z)
• GuidedMix-Net: Semi-supervised Semantic Segmentation by Using Labeled Images as Reference [90.5402652758316]
  半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。 ラベル付き情報を使用して、ラベルなしのインスタンスの学習をガイドする。 競合セグメンテーションの精度を達成し、mIoUを以前のアプローチに比べて+7$%大きく改善する。
  論文  参考訳（メタデータ） (2021-12-28T06:48:03Z)
• 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)
• In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label Selection Framework for Semi-Supervised Learning [53.1047775185362]
  Pseudo-labeling (PL) は一般的な SSL アプローチで、この制約はありませんが、当初の処方では比較的不十分です。 PLは不整合モデルからの誤った高い信頼度予測により性能が低下していると論じる。 そこで本研究では,疑似ラベリング精度を向上させるための不確実性認識型擬似ラベル選択(ups)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-15T23:29:57Z)

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。