Fugu-MT 論文翻訳(概要): Boosting Semi-Supervised Semantic Segmentation with Probabilistic Representations

論文の概要: Boosting Semi-Supervised Semantic Segmentation with Probabilistic Representations

arxiv url: http://arxiv.org/abs/2210.14670v1
Date: Wed, 26 Oct 2022 12:47:29 GMT
ステータス: 処理完了
システム内更新日: 2022-10-27 15:09:27.286715
Title: Boosting Semi-Supervised Semantic Segmentation with Probabilistic Representations
Title（参考訳）: 確率表現を用いた半教師付き意味セグメンテーションの促進
Authors: Haoyu Xie, Changqi Wang, Mingkai Zheng, Minjing Dong, Shan You, Chang Xu
Abstract要約: 本稿では,表現質を向上させるための確率的表現コントラスト学習フレームワークを提案する。確率論の新しい視点からピクセルワイズ表現を定義する。また,表現の信頼性を高めるため,分散分散の正規化も提案する。
参考スコア（独自算出の注目度）: 30.672426195148496
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent breakthroughs in semi-supervised semantic segmentation have been developed through contrastive learning. In prevalent pixel-wise contrastive learning solutions, the model maps pixels to deterministic representations and regularizes them in the latent space. However, there exist inaccurate pseudo-labels which map the ambiguous representations of pixels to the wrong classes due to the limited cognitive ability of the model. In this paper, we define pixel-wise representations from a new perspective of probability theory and propose a Probabilistic Representation Contrastive Learning (PRCL) framework that improves representation quality by taking its probability into consideration. Through modeling the mapping from pixels to representations as the probability via multivariate Gaussian distributions, we can tune the contribution of the ambiguous representations to tolerate the risk of inaccurate pseudo-labels. Furthermore, we define prototypes in the form of distributions, which indicates the confidence of a class, while the point prototype cannot. Moreover, we propose to regularize the distribution variance to enhance the reliability of representations. Taking advantage of these benefits, high-quality feature representations can be derived in the latent space, thereby the performance of semantic segmentation can be further improved. We conduct sufficient experiment to evaluate PRCL on Pascal VOC and CityScapes. The comparisons with state-of-the-art approaches demonstrate the superiority of proposed PRCL.
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最近の進歩は、対照的な学習を通じて発展してきた。一般的な画素比較学習ソリューションでは、モデルは画素を決定論的表現にマッピングし、潜在空間でそれらを正規化する。しかし、モデルの認知能力に制限があるため、画素の曖昧な表現を間違ったクラスにマッピングする不正確な擬似ラベルが存在する。本稿では,確率論の新しい視点から画素単位表現を定義し,その確率を考慮に入れて表現品質を向上させる確率的表現比較学習(prcl)フレームワークを提案する。画素から多変量ガウス分布による確率としての表現への写像をモデル化することにより、不正確な擬ラベルのリスクを許容するために曖昧な表現の寄与を調整できる。さらに,プロトタイプを分散の形で定義する。これは,ポイントプロトタイプではできないが,クラスの信頼性を示すものである。さらに,表現の信頼性を高めるため,分散分散の正規化を提案する。これらの利点を生かして、高品質な特徴表現を潜在空間で導き出すことができ、セマンティックセグメンテーションの性能をさらに向上させることができる。パスカルVOCとCityScapesでPRCLを評価するのに十分な実験を行った。最先端手法との比較は,提案したPRCLの優位性を示している。

関連論文リスト

Reducing Semantic Ambiguity In Domain Adaptive Semantic Segmentation Via Probabilistic Prototypical Pixel Contrast [7.092718945468069]
ドメイン適応は、ソースとターゲットドメイン間のドメインシフトに起因するターゲットドメインのモデル劣化を低減することを目的としています。確率的原型画素コントラスト(probabilistic proto-typeal pixel contrast、PPPC)は、各画素の埋め込みを確率としてモデル化する普遍的な適応フレームワークである。 PPPCは、画素レベルでの曖昧さに対処するだけでなく、識別的表現をもたらすだけでなく、合成からリアルタイム、および日毎の適応タスクにおいて大きな改善をもたらす。
論文参考訳（メタデータ） (2024-09-27T08:25:03Z)
Efficient Fairness-Performance Pareto Front Computation [51.558848491038916]
最適公正表現はいくつかの有用な構造特性を持つことを示す。そこで,これらの近似問題は,凹凸プログラミング法により効率的に解けることを示す。
論文参考訳（メタデータ） (2024-09-26T08:46:48Z)
FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms [60.195642571004804]
署名された距離関数(SDF)を表す画像誘導型条件付きフローマッチングフレームワークであるFlowSDFを提案する。 SDFの条件分布の確率パスに直接関係するベクトル場を学習することにより、セグメント化マスクの分布から正確にサンプリングすることができる。
論文参考訳（メタデータ） (2024-05-28T11:47:12Z)
PRCL: Probabilistic Representation Contrastive Learning for Semi-Supervised Semantic Segmentation [15.869077228828303]
本稿では、教師なし学習プロセスの堅牢性を高めるために、確率的表現コントラスト学習(PRCL)フレームワークと呼ばれる頑健なコントラストベースのS4フレームワークを提案する。
論文参考訳（メタデータ） (2024-02-28T07:10:37Z)
Flow Factorized Representation Learning [109.51947536586677]
本稿では、異なる入力変換を定義する潜在確率パスの別個のセットを規定する生成モデルを提案する。本モデルは,ほぼ同変モデルに近づきながら,標準表現学習ベンチマークにおいて高い確率を達成することを示す。
論文参考訳（メタデータ） (2023-09-22T20:15:37Z)
Learning Disentangled Discrete Representations [22.5004558029479]
本稿では,標準ガウス変分オートエンコーダをカテゴリー変分オートエンコーダに置き換えることで,離散潜在空間と非交分表現の関係を示す。本研究では,非絡み合った表現を学習する上で,個別のVAEの利点を示す分析的および実証的な知見を提供する。
論文参考訳（メタデータ） (2023-07-26T12:29:58Z)
Score-Based Generative Models for Medical Image Segmentation using Signed Distance Functions [11.137438870686026]
符号付き距離関数(SDF)を表す条件付きスコアベース生成モデリングフレームワークを提案する。 SDFを利用する利点は、二元マスクに比べて、より自然な歪みである。
論文参考訳（メタデータ） (2023-03-10T14:55:35Z)
Uncertainty-based Cross-Modal Retrieval with Probabilistic Representations [18.560958487332265]
確率的埋め込みは、画像マッチングにおけるあいまいさだけでなく、多文語の意味を捉えるのに有用であることが証明されている。本稿では,既存の画像テキストマッチングモデルに標準ベクトル点埋め込みをパラメトリック学習した確率分布に置き換える簡単な手法を提案する。
論文参考訳（メタデータ） (2022-04-20T07:24:20Z)
Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文参考訳（メタデータ） (2021-12-15T01:45:32Z)
PSD Representations for Effective Probability Models [117.35298398434628]
最近提案された非負関数に対する正半定値(PSD)モデルがこの目的に特に適していることを示す。我々はPSDモデルの近似と一般化能力の両方を特徴付け、それらが強い理論的保証を享受していることを示す。本研究では,PSDモデルの密度推定,決定理論,推論への応用への道を開く。
論文参考訳（メタデータ） (2021-06-30T15:13:39Z)
Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
論文参考訳（メタデータ） (2021-05-14T06:58:44Z)

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。