論文の概要: CAFS: Class Adaptive Framework for Semi-Supervised Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2303.11606v1
- Date: Tue, 21 Mar 2023 05:56:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-22 16:30:45.437675
- Title: CAFS: Class Adaptive Framework for Semi-Supervised Semantic Segmentation
- Title(参考訳): CAFS:半教師付きセマンティックセグメンテーションのためのクラス適応フレームワーク
- Authors: Jingi Ju, Hyeoncheol Noh, Yooseung Wang, Minseok Seo, Dong-Geol Choi
- Abstract要約: 半教師付きセマンティックセグメンテーションは、いくつかのラベル付きサンプルと多数のラベルなし画像を使用して、ピクセルを特定のクラスに分類するモデルを学ぶ。
半教師付きセマンティックセグメンテーション(CAFS)のためのクラス適応型セミスーパービジョンフレームワークを提案する。
CAFSはラベル付きデータセットに検証セットを構築し、各クラスの校正性能を活用する。
- 参考スコア(独自算出の注目度): 5.484296906525601
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semi-supervised semantic segmentation learns a model for classifying pixels
into specific classes using a few labeled samples and numerous unlabeled
images. The recent leading approach is consistency regularization by
selftraining with pseudo-labeling pixels having high confidences for unlabeled
images. However, using only highconfidence pixels for self-training may result
in losing much of the information in the unlabeled datasets due to poor
confidence calibration of modern deep learning networks. In this paper, we
propose a class-adaptive semisupervision framework for semi-supervised semantic
segmentation (CAFS) to cope with the loss of most information that occurs in
existing high-confidence-based pseudolabeling methods. Unlike existing
semi-supervised semantic segmentation frameworks, CAFS constructs a validation
set on a labeled dataset, to leverage the calibration performance for each
class. On this basis, we propose a calibration aware class-wise adaptive
thresholding and classwise adaptive oversampling using the analysis results
from the validation set. Our proposed CAFS achieves state-ofthe-art performance
on the full data partition of the base PASCAL VOC 2012 dataset and on the 1/4
data partition of the Cityscapes dataset with significant margins of 83.0% and
80.4%, respectively. The code is available at https://github.com/cjf8899/CAFS.
- 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は、いくつかのラベル付きサンプルと多数のラベルなし画像を使用して、ピクセルを特定のクラスに分類するモデルを学ぶ。
最近の主要なアプローチは、未ラベル画像に対する高い信頼度を持つ擬似ラベル画素による自己学習による一貫性の正則化である。
しかし、高信頼画素のみを自己学習に使用すると、現代のディープラーニングネットワークの信頼性の低下により、ラベルなしデータセット内の多くの情報を失う可能性がある。
本稿では,既存の信頼度に基づく擬似ラベル法において発生する情報の大半を失うことに対処するために,半教師付き意味セグメンテーション(cafs)のためのクラス適応型セミスーパービジョンフレームワークを提案する。
既存の半教師付きセマンティクスセグメンテーションフレームワークとは異なり、cafsはラベル付きデータセット上に検証セットを構築し、各クラスのキャリブレーションパフォーマンスを活用する。
そこで本研究では,評価セットの分析結果を用いて,クラスワイド適応しきい値の校正とクラスワイド適応オーバーサンプリングを提案する。
提案したCAFSは,PASCAL VOC 2012データセットの全データパーティションと,Cityscapesデータセットの1/4データパーティションにおいて,それぞれ83.0%と80.4%の有意なマージンを持つ。
コードはhttps://github.com/cjf8899/CAFSで入手できる。
関連論文リスト
- A Lightweight Clustering Framework for Unsupervised Semantic
Segmentation [28.907274978550493]
教師なしセマンティックセグメンテーションは、注釈付きデータを用いることなく、画像の各ピクセルを対応するクラスに分類することを目的としている。
教師なしセマンティックセグメンテーションのための軽量クラスタリングフレームワークを提案する。
本フレームワークは,PASCAL VOCおよびMS COCOデータセットの最先端結果を実現する。
論文 参考訳(メタデータ) (2023-11-30T15:33:42Z) - JointMatch: A Unified Approach for Diverse and Collaborative
Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。
擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。
我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
論文 参考訳(メタデータ) (2023-10-23T05:43:35Z) - Estimating label quality and errors in semantic segmentation data via
any model [19.84626033109009]
ラベル品質を評価する手法について検討し、最も低いスコアのイメージを正しくラベル付けする可能性が低いことを示す。
これにより、高品質なトレーニング/評価データセットを保証するために、レビューするデータを優先順位付けすることが可能になる。
論文 参考訳(メタデータ) (2023-07-11T07:29:09Z) - High-fidelity Pseudo-labels for Boosting Weakly-Supervised Segmentation [17.804090651425955]
画像レベルの弱い教師付きセグメンテーション(WSSS)は、トレーニング中にセグメンテーションマスクを代理することで、通常膨大なデータアノテーションコストを削減する。
本研究は,GAPの代替となる重要サンプリングと特徴類似性損失という,CAMを改善するための2つの手法に基づく。
複数の独立二項問題の後部二項問題に基づいて両手法を再構成する。
パフォーマンスが向上し、より一般的なものになり、事実上あらゆるWSSSメソッドを増強できるアドオンメソッドが出来上がります。
論文 参考訳(メタデータ) (2023-04-05T17:43:57Z) - Contrastive Model Adaptation for Cross-Condition Robustness in Semantic
Segmentation [58.17907376475596]
意味的セグメンテーションのための正規-逆条件モデル適応について検討する。
提案手法は, コントラスト学習を通じて条件不変の特徴を学習するために, このような画像ペアを利用する。
いくつかの正規-逆適応ベンチマークにおけるモデル適応のための最先端セマンティックセマンティックセマンティクス性能を実現する。
論文 参考訳(メタデータ) (2023-03-09T11:48:29Z) - Dense FixMatch: a simple semi-supervised learning method for pixel-wise
prediction tasks [68.36996813591425]
Dense FixMatchは,高密度かつ構造化された予測タスクのオンライン半教師付き学習のための簡易な手法である。
我々は、擬似ラベルにマッチング操作を追加することにより、画像分類を超えた半教師付き学習問題にFixMatchの適用を可能にする。
Dense FixMatchは、ラベル付きデータのみを使用して教師付き学習と比較すると、結果を著しく改善し、ラベル付きサンプルの1/4でそのパフォーマンスに近づいた。
論文 参考訳(メタデータ) (2022-10-18T15:02:51Z) - SCARF: Self-Supervised Contrastive Learning using Random Feature
Corruption [72.35532598131176]
本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。
SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
論文 参考訳(メタデータ) (2021-06-29T08:08:33Z) - Semi-Supervised Semantic Segmentation with Pixel-Level Contrastive
Learning from a Class-wise Memory Bank [5.967279020820772]
本稿では,コントラスト学習に基づく新しい表現学習モジュールを提案する。
このモジュールはセグメンテーションネットワークを強制し、同じクラスのサンプルに対して同様のピクセルレベルの特徴表現を生成する。
エンドツーエンドのトレーニングでは、ラベル付きデータとラベルなしデータの両方の機能は、メモリバンクの同じクラスのサンプルに最適化される。
論文 参考訳(メタデータ) (2021-04-27T18:19:33Z) - Semi-Supervised Domain Adaptation with Prototypical Alignment and
Consistency Learning [86.6929930921905]
本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。
ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。
具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
論文 参考訳(メタデータ) (2021-04-19T08:46:08Z) - Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive
Person Re-Identification [64.37745443119942]
本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。
3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
論文 参考訳(メタデータ) (2020-07-21T14:31:27Z)
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。