論文の概要: Semi-Supervised Semantic Segmentation via Gentle Teaching Assistant

• arxiv url: http://arxiv.org/abs/2301.07340v1
• Date: Wed, 18 Jan 2023 07:11:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-19 16:36:00.218936
• Title: Semi-Supervised Semantic Segmentation via Gentle Teaching Assistant
• Title（参考訳）: ソフトティーチングアシスタントによる半教師付き意味セグメンテーション
• Authors: Ying Jin, Jiaqi Wang, and Dahua Lin
• Abstract要約: 擬似ラベル付きラベル付きラベル付きデータは,特徴抽出器における代表的特徴の学習を容易にすることができると論じる。 そこで本研究では,擬似ラベルが特徴抽出器やマスク予測器に与える影響を解消する新しい枠組みであるジェントル指導アシスタント(GTA-Seg)を提案する。
• 参考スコア（独自算出の注目度）: 72.4512562104361
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-Supervised Semantic Segmentation aims at training the segmentation model with limited labeled data and a large amount of unlabeled data. To effectively leverage the unlabeled data, pseudo labeling, along with the teacher-student framework, is widely adopted in semi-supervised semantic segmentation. Though proved to be effective, this paradigm suffers from incorrect pseudo labels which inevitably exist and are taken as auxiliary training data. To alleviate the negative impact of incorrect pseudo labels, we delve into the current Semi-Supervised Semantic Segmentation frameworks. We argue that the unlabeled data with pseudo labels can facilitate the learning of representative features in the feature extractor, but it is unreliable to supervise the mask predictor. Motivated by this consideration, we propose a novel framework, Gentle Teaching Assistant (GTA-Seg) to disentangle the effects of pseudo labels on feature extractor and mask predictor of the student model. Specifically, in addition to the original teacher-student framework, our method introduces a teaching assistant network which directly learns from pseudo labels generated by the teacher network. The gentle teaching assistant (GTA) is coined gentle since it only transfers the beneficial feature representation knowledge in the feature extractor to the student model in an Exponential Moving Average (EMA) manner, protecting the student model from the negative influences caused by unreliable pseudo labels in the mask predictor. The student model is also supervised by reliable labeled data to train an accurate mask predictor, further facilitating feature representation. Extensive experiment results on benchmark datasets validate that our method shows competitive performance against previous methods. Code is available at https://github.com/Jin-Ying/GTA-Seg.
• Abstract（参考訳）: 半教師付き意味セグメンテーションは、限定されたラベル付きデータと大量のラベルなしデータでセグメンテーションモデルを訓練することを目的としている。 ラベルなしデータを有効に活用するために、教師と教師の枠組みと共に擬似ラベル付けが半教師付き意味セグメンテーションに広く採用されている。 有効であることが証明されたが、このパラダイムは必然的に存在し、補助訓練データとして扱われる誤った擬似ラベルに悩まされている。 誤った擬似ラベルによるネガティブな影響を軽減するため、私たちは現在のセミスーパービジョンセマンティックセマンティックセマンティクスフレームワークを掘り下げる。 擬似ラベル付きラベル付きラベル付きデータは特徴抽出器における代表的特徴の学習を促進することができるが,マスク予測器を監督することは信頼できない。 そこで本研究では,学生モデルの特徴抽出器とマスク予測器に擬似ラベルが与える影響を解消する新しい枠組みであるジェントル指導アシスタント(GTA-Seg)を提案する。 具体的には,教師教育の枠組みに加えて,教師ネットワークが生成する疑似ラベルから直接学習する指導補助ネットワークを提案する。 指数移動平均(EMA)方式で、特徴抽出器の有益特徴表現知識のみを学生モデルに伝達し、マスク予測器における信頼性の低い擬似ラベルによる負の影響から生徒モデルを保護し、優雅な指導アシスタント(GTA)を作成する。 学生モデルはまた、信頼できるラベル付きデータによって監督され、正確なマスク予測を訓練し、さらに特徴表現を促進する。 ベンチマークデータセットの大規模な実験結果から,本手法が従来手法と競合する性能を示した。 コードはhttps://github.com/Jin-Ying/GTA-Seg.comで入手できる。

関連論文リスト

• Label Matching Semi-Supervised Object Detection [85.99282969977541]
  半教師対象検出は,教師主導型自己学習の開発において大きな進歩を遂げている。 ラベルミスマッチ問題は、以前の研究でまだ完全に解明されていないため、自己学習中に重大な確証バイアスが生じる。 本稿では,2つの異なる相補的視点から,単純かつ効果的な LabelMatch フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-14T05:59:41Z)
• 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)
• GuidedMix-Net: Learning to Improve Pseudo Masks Using Labeled Images as Reference [153.354332374204]
  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。 まず、ラベル付きデータとラベルなしデータの間に特徴アライメントの目的を導入し、類似した画像対をキャプチャする。 MITransは、ラベルなしデータのさらなるプログレッシブな精細化のための強力な知識モジュールであることが示されている。 ラベル付きデータに対する教師付き学習とともに、ラベル付きデータの予測が生成した擬似マスクとともに学習される。
  論文  参考訳（メタデータ） (2021-06-29T02:48:45Z)
• SLADE: A Self-Training Framework For Distance Metric Learning [75.54078592084217]
  我々は、追加のラベルのないデータを活用することで、検索性能を向上させるための自己学習フレームワークSLADEを提案する。 まず、ラベル付きデータに基づいて教師モデルをトレーニングし、ラベルなしデータに対して擬似ラベルを生成する。 次に、最終機能埋め込みを生成するために、ラベルと擬似ラベルの両方で学生モデルをトレーニングします。
  論文  参考訳（メタデータ） (2020-11-20T08:26:10Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)

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。