論文の概要: Polite Teacher: Semi-Supervised Instance Segmentation with Mutual Learning and Pseudo-Label Thresholding

• arxiv url: http://arxiv.org/abs/2211.03850v1
• Date: Mon, 7 Nov 2022 20:35:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 15:08:23.079143
• Title: Polite Teacher: Semi-Supervised Instance Segmentation with Mutual Learning and Pseudo-Label Thresholding
• Title（参考訳）: 政治教師:相互学習と擬似ラベル認識による半教師付きインスタンスセグメンテーション
• Authors: Dominik Filipiak and Andrzej Zapa{\l}a and Piotr Tempczyk and Anna Fensel and Marek Cygan
• Abstract要約: 本稿では,半教師付きインスタンスセグメンテーションのタスクに対して,シンプルかつ効果的な方法であるPolite Teacherを提案する。 提案したアーキテクチャは、Teacher-Student相互学習フレームワークに依存している。 ノイズの多い擬似ラベルを除去するために,マスクのバウンディングボックスとマスクスコアリングに信頼しきい値を用いた。
• 参考スコア（独自算出の注目度）: 0.7282230325785884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Polite Teacher, a simple yet effective method for the task of semi-supervised instance segmentation. The proposed architecture relies on the Teacher-Student mutual learning framework. To filter out noisy pseudo-labels, we use confidence thresholding for bounding boxes and mask scoring for masks. The approach has been tested with CenterMask, a single-stage anchor-free detector. Tested on the COCO 2017 val dataset, our architecture significantly (approx. +8 pp. in mask AP) outperforms the baseline at different supervision regimes. To the best of our knowledge, this is one of the first works tackling the problem of semi-supervised instance segmentation and the first one devoted to an anchor-free detector.
• Abstract（参考訳）: 本稿では,半教師付きインスタンスセグメンテーションのタスクに対して,シンプルかつ効果的な方法であるPolite Teacherを提案する。 提案したアーキテクチャは、Teacher-Student相互学習フレームワークに依存している。 ノイズの多い擬似ラベルをフィルタするために、バウンディングボックスの信頼しきい値とマスクのマスクスコアを用いる。 このアプローチは、シングルステージアンカーフリー検出器であるcentermaskでテストされている。 COCO 2017 valデータセットでテストした結果、アーキテクチャ(マスクAPで+8 pp.)は、さまざまな監督体制でベースラインをはるかに上回っています。 我々の知る限りでは、これは半教師付きインスタンスセグメンテーションの問題に取り組む最初の研究の1つであり、最初はアンカーフリー検出器に向けられたものである。

関連論文リスト

• Pseudo-label Alignment for Semi-supervised Instance Segmentation [67.9616087910363]
  擬似ラベルは半教師付きインスタンスセグメンテーションにおいて重要である。 既存のパイプラインでは、クラスやマスクの品質のミスマッチにより、貴重な情報を含む擬似ラベルをフィルタリングすることができる。 本稿では,疑似ラベル整合インスタンスセグメンテーション(PAIS)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-10T05:56:53Z)
• BoxTeacher: Exploring High-Quality Pseudo Labels for Weakly Supervised Instance Segmentation [33.64088504387974]
  BoxTeacherは、高性能に教師付きされたインスタンスセグメンテーションのための効率的でエンドツーエンドのトレーニングフレームワークである。 疑似マスクの質を推定するために,マスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスを適応的に最適化する。
  論文  参考訳（メタデータ） (2022-10-11T06:23:30Z)
• Single-Stage Open-world Instance Segmentation with Cross-task Consistency Regularization [33.434628514542375]
  オープンワールドのインスタンスセグメンテーションは、イメージからクラスに依存しないインスタンスをセグメントすることを目的としている。 本稿では,各インスタンスのマスクを直接生成する単一ステージフレームワークを提案する。 提案手法は, 完全教師付き設定と半教師付き設定の両方において, 印象的な結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-08-18T18:55:09Z)
• Open-World Instance Segmentation: Exploiting Pseudo Ground Truth From Learned Pairwise Affinity [59.1823948436411]
  我々は、マスク提案のための新しいアプローチ、ジェネリックグループネットワーク(GGN)を提案する。 我々のアプローチは、ピクセル親和性の局所測定とインスタンスレベルのマスク監視を組み合わせることで、データの多様性が許容するほど汎用的なモデルを設計したトレーニングレギュレータを生成する。
  論文  参考訳（メタデータ） (2022-04-12T22:37:49Z)
• FreeSOLO: Learning to Segment Objects without Annotations [191.82134817449528]
  我々は,単純なインスタンスセグメンテーションメソッドSOLO上に構築された自己教師型インスタンスセグメンテーションフレームワークであるFreeSOLOを紹介する。 また,本手法では,複雑なシーンからオブジェクトを教師なしで検出する,新たなローカライズ対応事前学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-24T16:31:44Z)
• DiscoBox: Weakly Supervised Instance Segmentation and Semantic Correspondence from Box Supervision [98.25918224571132]
  バウンディングボックスによるインスタンスセグメンテーションとセマンティック対応を共同学習する新しいフレームワークであるDiscoBoxを紹介します。 教師は、箱内と箱内の両方の画素関係をモデル化するために、ペアワイズ電位とクロスイメージ電位を組み込んだ構造化エネルギーモデルである。 教師のエネルギーを最小化することは、洗練されたオブジェクトマスクとクラス内のオブジェクト間の密接な対応を同時に生み出す。
  論文  参考訳（メタデータ） (2021-05-13T17:59:41Z)
• Unsupervised Semantic Segmentation by Contrasting Object Mask Proposals [78.12377360145078]
  画素埋め込みを学習するために、コントラスト最適化の目的として、予め決められた事前を取り入れた新しい2段階フレームワークを導入する。 これは、プロキシタスクやエンドツーエンドのクラスタリングに依存する既存の作業から大きく逸脱している。 特に、PASCALでラベル付き例の1%だけを用いて学習した表現を微調整すると、7.1% mIoUで教師付き ImageNet の事前トレーニングを上回ります。
  論文  参考訳（メタデータ） (2021-02-11T18:54:47Z)
• Prior to Segment: Foreground Cues for Weakly Annotated Classes in Partially Supervised Instance Segmentation [3.192503074844774]
  部分教師付きインスタンスセグメンテーションは、より豊富な弱いボックスラベルを利用することで、限られたマスクラベルによるマスク予測を改善することを目的としている。 部分教師付きインスタンスセグメンテーションで一般的に使用されるクラス非依存マスクヘッドは,弱アノテーションクラスに対する一般的な前景概念の学習が困難であることを示す。 我々は,すべてのクラスを監督するボックス分類ヘッドによって暗黙的に学習される前景の一般的な概念をマスクヘッドに提供する,OMP(object mask prior)を導入する。
  論文  参考訳（メタデータ） (2020-11-23T23:15:06Z)
• Mask Encoding for Single Shot Instance Segmentation [97.99956029224622]
  マスクエンコーディングに基づくインスタンスセグメンテーション(MEInst)と呼ばれる単純なシングルショットインスタンスセグメンテーションフレームワークを提案する。 二次元マスクを直接予測する代わりに、MEInstはそれをコンパクトで固定的な表現ベクトルに蒸留する。 よりシンプルでフレキシブルな一段階のインスタンスセグメンテーション手法は、競合性能も達成できることを示す。
  論文  参考訳（メタデータ） (2020-03-26T02:51:17Z)

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。