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

• arxiv url: http://arxiv.org/abs/2210.08403v1
• Date: Sun, 16 Oct 2022 00:21:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 16:29:52.892425
• Title: Semantic Segmentation with Active Semi-Supervised Representation Learning
• Title（参考訳）: 半教師付き表現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: 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。
• 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: Obtaining human per-pixel labels for semantic segmentation is incredibly laborious, often making labeled dataset construction prohibitively expensive. Here, we endeavor to overcome this problem with a novel algorithm that combines semi-supervised and active learning, resulting in the ability to train an effective semantic segmentation algorithm with significantly lesser labeled data. To do this, we extend the prior state-of-the-art S4AL algorithm by replacing its mean teacher approach for semi-supervised learning with a self-training approach that improves learning with noisy labels. We further boost the neural network's ability to query useful data by adding a contrastive learning head, which leads to better understanding of the objects in the scene, and hence, better queries for active learning. We evaluate our method on CamVid and CityScapes datasets, the de-facto standards for active learning for semantic segmentation. We achieve more than 95% of the network's performance on CamVid and CityScapes datasets, utilizing only 12.1% and 15.1% of the labeled data, respectively. We also benchmark our method across existing stand-alone semi-supervised learning methods on the CityScapes dataset and achieve superior performance without any bells or whistles.
• Abstract（参考訳）: セマンティックセグメンテーションのために人間のピクセル単位のラベルを取得するのは非常に手間がかかり、しばしばラベル付きデータセットの構築は禁止的に高価になる。 本稿では,半教師付き学習とアクティブ学習を組み合わせた新しいアルゴリズムを用いてこの問題を克服し,より少ないラベル付きデータを用いて効果的な意味セグメンテーションアルゴリズムを訓練する手法を提案する。 そこで我々は,従来のS4ALアルゴリズムを,半教師付き学習における平均教師アプローチを,ノイズラベルによる学習を改善する自己学習アプローチに置き換えることで拡張する。 コントラスト学習ヘッドを追加することで、ニューラルネットワークが有用なデータをクエリする能力をさらに強化することで、シーン内のオブジェクトの理解が向上し、アクティブな学習のためのクエリが向上します。 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。 camvidとcityscapesのデータではネットワークのパフォーマンスの95%以上を達成し、ラベル付きデータの12.1%と15.1%しか利用していない。 また,CityScapesデータセット上の既存のスタンドアローン半教師付き学習手法をベンチマークし,ベルや笛を使わずに優れた性能を実現する。

関連論文リスト

• Enhancing Visual Continual Learning with Language-Guided Supervision [76.38481740848434]
  継続的な学習は、モデルが以前獲得した知識を忘れずに新しいタスクを学習できるようにすることを目的としている。 ワンホットラベルが伝達する少ない意味情報は,タスク間の効果的な知識伝達を妨げている,と我々は主張する。 具体的には, PLM を用いて各クラスのセマンティックターゲットを生成し, 凍結し, 監視信号として機能する。
  論文  参考訳（メタデータ） (2024-03-24T12:41:58Z)
• Learning from the Best: Active Learning for Wireless Communications [9.523381807291049]
  アクティブな学習アルゴリズムは、ラベル付けされていないデータセットの中で最も重要で情報に富んだサンプルを特定し、完全なデータセットではなく、これらのサンプルのみをラベル付けする。 本稿では, ディープラーニングに基づくmmWaveビーム選択のケーススタディとして, 包括探索に基づく計算集約アルゴリズムを用いてラベル付けを行う。 この結果から,クラス不均衡データセットに対するアクティブな学習アルゴリズムを用いることで,データセットのラベル付けオーバーヘッドを最大50%削減できることがわかった。
  論文  参考訳（メタデータ） (2024-01-23T12:21:57Z)
• Hierarchical Point-based Active Learning for Semi-supervised Point Cloud Semantic Segmentation [48.40853126077237]
  大規模ポイントクラウドデータをポイントワイドラベルで取得することは、労働集約的だ。 アクティブラーニングは、この目的を達成するための効果的な戦略の1つだが、まだ探索されていない。 本稿では,階層的なポイントベースアクティブラーニング戦略を開発する。
  論文  参考訳（メタデータ） (2023-08-22T03:52:05Z)
• TrueDeep: A systematic approach of crack detection with less data [0.0]
  ドメイン知識をディープラーニングアーキテクチャと組み合わせることで、少ないデータで同様のパフォーマンスを実現することができることを示す。 我々のアルゴリズムは、全データの23%で開発され、テストデータ上でも同様の性能を持ち、複数の盲点データセット上では大幅に性能が向上した。
  論文  参考訳（メタデータ） (2023-05-30T14:51:58Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• Semantic Segmentation with Active Semi-Supervised Learning [23.79742108127707]
  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。
  論文  参考訳（メタデータ） (2022-03-21T04:16:25Z)
• Learning with Neighbor Consistency for Noisy Labels [69.83857578836769]
  特徴空間におけるトレーニング例間の類似性を利用した雑音ラベルから学習する手法を提案する。 合成(CIFAR-10, CIFAR-100)とリアル(mini-WebVision, Clothing1M, mini-ImageNet-Red)の両方のノイズを評価するデータセットの評価を行った。
  論文  参考訳（メタデータ） (2022-02-04T15:46:27Z)
• Dominant Set-based Active Learning for Text Classification and its Application to Online Social Media [0.0]
  本稿では,最小限のアノテーションコストで大規模未ラベルコーパスのトレーニングを行うための,プールベースのアクティブラーニング手法を提案する。 提案手法には調整すべきパラメータが一切ないため,データセットに依存しない。 本手法は,最先端のアクティブラーニング戦略と比較して高い性能を実現する。
  論文  参考訳（メタデータ） (2022-01-28T19:19:03Z)
• Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with Self-Supervised Depth Estimation [94.16816278191477]
  本稿では,セミアダプティブなセマンティック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フレームワークを提案する。 ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。 提案したモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2021-08-28T01:33:38Z)
• Dense Contrastive Learning for Self-Supervised Visual Pre-Training [102.15325936477362]
  入力画像の2つのビュー間の画素レベルでの差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分)を最適化することにより自己教師学習を実現する。 ベースライン法であるMoCo-v2と比較すると,計算オーバーヘッドは1%遅かった。
  論文  参考訳（メタデータ） (2020-11-18T08:42:32Z)

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。