論文の概要: Conservative-Progressive Collaborative Learning for Semi-supervised
Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2211.16701v1
- Date: Wed, 30 Nov 2022 02:47:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 16:56:52.215080
- Title: Conservative-Progressive Collaborative Learning for Semi-supervised
Semantic Segmentation
- Title(参考訳): 半教師付き意味セグメンテーションのための保守的プログレッシブ協調学習
- Authors: Siqi Fan, Fenghua Zhu, Zunlei Feng, Yisheng Lv, Mingli Song, Fei-Yue
Wang
- Abstract要約: 本稿では,2つの予測ネットワークを並列に学習するCPCL(Reserve-Progressive Collaborative Learning)という新しい学習手法を提案する。
あるネットワークは、交差点の監督を通じて共通の基盤を求め、より信頼性の高い監督を保証するために、高品質なラベルによって監督されている。
他のネットワークは組合の監督を通じて違いを保ち、すべての擬似ラベルによって監督され、好奇心を追求し続ける。
- 参考スコア(独自算出の注目度): 50.51992191965432
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pseudo supervision is regarded as the core idea in semi-supervised learning
for semantic segmentation, and there is always a tradeoff between utilizing
only the high-quality pseudo labels and leveraging all the pseudo labels.
Addressing that, we propose a novel learning approach, called
Conservative-Progressive Collaborative Learning (CPCL), among which two
predictive networks are trained in parallel, and the pseudo supervision is
implemented based on both the agreement and disagreement of the two
predictions. One network seeks common ground via intersection supervision and
is supervised by the high-quality labels to ensure a more reliable supervision,
while the other network reserves differences via union supervision and is
supervised by all the pseudo labels to keep exploring with curiosity. Thus, the
collaboration of conservative evolution and progressive exploration can be
achieved. To reduce the influences of the suspicious pseudo labels, the loss is
dynamic re-weighted according to the prediction confidence. Extensive
experiments demonstrate that CPCL achieves state-of-the-art performance for
semi-supervised semantic segmentation.
- Abstract(参考訳): 疑似監督は意味セグメンテーションのための半教師付き学習の核となる概念と考えられており、高品質の疑似ラベルのみを活用することと、すべての疑似ラベルを活用するというトレードオフは常に存在する。
そこで本研究では,2つの予測ネットワークを並列に学習し,この2つの予測の一致と不一致の両方に基づいて疑似監督を行う,保守的プログレッシブ協調学習(cpcl)と呼ばれる新しい学習手法を提案する。
1つのネットワークは交差点の監督を通じて共通の基盤を求め、より信頼できる監督を確保するために高品質のラベルによって監督され、もう1つのネットワークは組合の監督によって違いを保ち、好奇心を持って探索を続けるために全ての疑似ラベルによって監督される。
したがって、保守的進化と進歩的探索の協力は達成できる。
疑わしい疑似ラベルの影響を低減するため、予測信頼度に応じて損失を動的に再重み付けする。
CPCLは半教師付きセマンティックセグメンテーションの最先端性能を実現する。
関連論文リスト
- Learning Interpretable Policies in Hindsight-Observable POMDPs through
Partially Supervised Reinforcement Learning [57.67629402360924]
本稿では,PSRL(Partially Supervised Reinforcement Learning)フレームワークを紹介する。
PSRLの中心は、教師なし学習と教師なし学習の融合である。
PSRLは、保存中のモデル解釈可能性を高め、従来の手法で設定された性能ベンチマークよりも大幅に向上することを示す。
論文 参考訳(メタデータ) (2024-02-14T16:23:23Z) - Causal Unsupervised Semantic Segmentation [60.178274138753174]
教師なしセマンティックセグメンテーションは、人間のラベル付きアノテーションなしで高品質なセマンティックセマンティックセグメンテーションを実現することを目的としている。
本稿では、因果推論からの洞察を活用する新しいフレームワークCAUSE(CAusal Unsupervised Semantic sEgmentation)を提案する。
論文 参考訳(メタデータ) (2023-10-11T10:54:44Z) - Towards Distribution-Agnostic Generalized Category Discovery [51.52673017664908]
データ不均衡とオープンエンドの分布は、現実の視覚世界の本質的な特性である。
我々は,BaCon(Self-Balanced Co-Advice contrastive framework)を提案する。
BaConは、対照的な学習ブランチと擬似ラベルブランチで構成され、DA-GCDタスクを解決するためのインタラクティブな監視を提供するために協力して動作する。
論文 参考訳(メタデータ) (2023-10-02T17:39:58Z) - ConMatch: Semi-Supervised Learning with Confidence-Guided Consistency
Regularization [26.542718087103665]
本稿では,ConMatchと呼ばれる擬似ラベルの信頼度によって重み付けされた画像の2つの強化されたビューから,モデルの予測間の一貫性の正則化をインテリジェントに活用する,新しい半教師付き学習フレームワークを提案する。
提案手法に対するConMatchの有効性を実証する実験を行い,広範囲にわたるアブレーション研究を行った。
論文 参考訳(メタデータ) (2022-08-18T04:37:50Z) - Weakly-supervised Action Localization via Hierarchical Mining [76.00021423700497]
弱教師付きアクションローカライゼーションは、ビデオレベルの分類ラベルだけで、与えられたビデオ内のアクションインスタンスを時間的にローカライズし、分類することを目的としている。
ビデオレベルおよびスニペットレベルでの階層的マイニング戦略,すなわち階層的監視と階層的一貫性マイニングを提案する。
我々は、HiM-NetがTHUMOS14とActivityNet1.3データセットの既存の手法よりも、階層的に監督と一貫性をマイニングすることで、大きなマージンを持つことを示す。
論文 参考訳(メタデータ) (2022-06-22T12:19:09Z) - All-Around Real Label Supervision: Cyclic Prototype Consistency Learning
for Semi-supervised Medical Image Segmentation [41.157552535752224]
半教師付き学習は、費用がかかる専門家によるアノテーションの取得の重い負担を軽減するため、医用画像のセグメンテーションが大幅に進歩している。
本稿では,ラベル付き-ラベル付き(L2U)フォワードプロセスとラベル付き-ラベル付き(U2L)バックワードプロセスによって構築された,新しいサイクリックプロトタイプ一貫性学習(CPCL)フレームワークを提案する。
我々のフレームワークは、過去のtextit"教師なし"一貫性を新しいtextit"教師なし"一貫性に変える。
論文 参考訳(メタデータ) (2021-09-28T14:34:06Z) - Semi-supervised Left Atrium Segmentation with Mutual Consistency
Training [60.59108570938163]
3次元MR画像からの半教師付き左房分割のための新しいMultual Consistency Network(MC-Net)を提案する。
我々のMC-Netは1つのエンコーダと2つのわずかに異なるデコーダから構成されており、2つのデコーダの予測誤差は教師なしの損失として変換される。
我々は,公開左心房(la)データベース上でmc-netを評価し,ラベルなしデータを効果的に活用することで印象的な性能向上を実現する。
論文 参考訳(メタデータ) (2021-03-04T09:34:32Z)
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。