論文の概要: MARS: Model-agnostic Biased Object Removal without Additional
Supervision for Weakly-Supervised Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2304.09913v1
- Date: Wed, 19 Apr 2023 18:24:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-21 15:26:37.593881
- Title: MARS: Model-agnostic Biased Object Removal without Additional
Supervision for Weakly-Supervised Semantic Segmentation
- Title(参考訳): MARS:弱スーパービジョン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追加スーパービジョンを伴わないモデル非依存的バイアスオブジェクト除去
- Authors: Sanghyun Jo, In-Jae Yu, Kyungsu Kim
- Abstract要約: 弱教師付きセマンティックセグメンテーションは、弱い監督力を用いたセマンティックセグメンテーションモデルを訓練することにより、ラベリングコストを削減することを目的としている。
完全自動/モデル非依存のオブジェクト除去フレームワークMARSを提案する。
以上の結果から,MARS は様々な WSSS モデルの性能を少なくとも30% 改善する。
- 参考スコア(独自算出の注目度): 3.997707534484444
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Weakly-supervised semantic segmentation aims to reduce labeling costs by
training semantic segmentation models using weak supervision, such as
image-level class labels. However, most approaches struggle to produce accurate
localization maps and suffer from false predictions in class-related
backgrounds (i.e., biased objects), such as detecting a railroad with the train
class. Recent methods that remove biased objects require additional supervision
for manually identifying biased objects for each problematic class and
collecting their datasets by reviewing predictions, limiting their
applicability to the real-world dataset with multiple labels and complex
relationships for biasing. Following the first observation that biased features
can be separated and eliminated by matching biased objects with backgrounds in
the same dataset, we propose a fully-automatic/model-agnostic biased removal
framework called MARS (Model-Agnostic biased object Removal without additional
Supervision), which utilizes semantically consistent features of an
unsupervised technique to eliminate biased objects in pseudo labels.
Surprisingly, we show that MARS achieves new state-of-the-art results on two
popular benchmarks, PASCAL VOC 2012 (val: 77.7%, test: 77.2%) and MS COCO 2014
(val: 49.4%), by consistently improving the performance of various WSSS models
by at least 30% without additional supervision.
- Abstract(参考訳): 弱い教師付き意味セグメンテーションは、画像レベルのクラスラベルのような弱い監督を使用して意味セグメンテーションモデルをトレーニングすることで、ラベリングコストを削減することを目的としている。
しかし、ほとんどのアプローチは正確なローカライゼーションマップの作成に苦労し、列車のクラスで鉄道を検知するなど、クラスに関連する背景(偏りのある物体)で誤った予測に苦しむ。
バイアスオブジェクトを削除する最近の手法では、問題のあるクラスごとにバイアスオブジェクトを手動で識別し、予測をレビューすることでデータセットを収集し、複数のラベルを持つ現実のデータセットに適用性を制限するとともに、バイアスに対する複雑な関係を限定する。
偏りのある特徴を同一データセット内の背景とマッチングして分離・排除できるという最初の観察に続いて、mars (model-specific biased object removal without additional supervisor) と呼ばれる完全自動/モデル非依存の偏り除去フレームワークを提案する。
驚いたことに、MARSはPASCAL VOC 2012 (val: 77.7%, test: 77.2%) と MS COCO 2014 (val: 49.4%) という2つの人気のあるベンチマークで、様々なWSSSモデルの性能を、追加の監督なしに少なくとも30%向上させることで、新しい最先端の結果を達成している。
関連論文リスト
- LLM meets Vision-Language Models for Zero-Shot One-Class Classification [4.094697851983375]
ゼロショットワンクラス視覚分類の問題を考える。
本稿では、視覚的に混乱するオブジェクトに対して、まず大きな言語モデルをクエリする2段階のソリューションを提案する。
我々は,そのラベルのみを用いて,一つのカテゴリと他のセマンティックなカテゴリを識別可能であることを示す。
論文 参考訳(メタデータ) (2024-03-31T12:48:07Z) - Memory Consistency Guided Divide-and-Conquer Learning for Generalized
Category Discovery [56.172872410834664]
一般カテゴリー発見(GCD)は、半教師付き学習のより現実的で挑戦的な設定に対処することを目的としている。
メモリ一貫性を誘導する分枝・分枝学習フレームワーク(MCDL)を提案する。
本手法は,画像認識の目に見えるクラスと見えないクラスの両方において,最先端のモデルよりも優れた性能を示す。
論文 参考訳(メタデータ) (2024-01-24T09:39:45Z) - Credible Teacher for Semi-Supervised Object Detection in Open Scene [106.25850299007674]
Open Scene Semi-Supervised Object Detection (O-SSOD)では、ラベル付きデータはラベル付きデータで観測されていない未知のオブジェクトを含む可能性がある。
より不確実性が、偽ラベルのローカライズと分類精度の低下につながるため、主に自己学習に依存する現在の手法には有害である。
我々は,不確実な擬似ラベルがモデルに誤解をもたらすのを防ぐための,エンドツーエンドのフレームワークであるCredible Teacherを提案する。
論文 参考訳(メタデータ) (2024-01-01T08:19:21Z) - Learning Confident Classifiers in the Presence of Label Noise [5.829762367794509]
本稿では,ノイズ観測のための確率論的モデルを提案し,信頼性の高い分類とセグメンテーションモデルの構築を可能にする。
実験により,本アルゴリズムは,検討された分類問題と分割問題に対して,最先端の解よりも優れていることが示された。
論文 参考訳(メタデータ) (2023-01-02T04:27:25Z) - Resolving Semantic Confusions for Improved Zero-Shot Detection [6.72910827751713]
本稿では,クラス間の相違度を認識する三重項損失を考慮した生成モデルを提案する。
クラスの生成した視覚的サンプルが、自身のセマンティクスに高度に対応していることを保証するために、サイクリック一貫性損失も実施される。
論文 参考訳(メタデータ) (2022-12-12T18:11:48Z) - Adversarial Dual-Student with Differentiable Spatial Warping for
Semi-Supervised Semantic Segmentation [70.2166826794421]
本研究では、教師なしデータ拡張を行うために、微分可能な幾何ワープを提案する。
また,平均教師数を改善するために,新しい対角的二重学習フレームワークを提案する。
我々のソリューションは、両方のデータセットで得られるパフォーマンスと最先端の結果を大幅に改善します。
論文 参考訳(メタデータ) (2022-03-05T17:36:17Z) - Debiased Learning from Naturally Imbalanced Pseudo-Labels for Zero-Shot
and Semi-Supervised Learning [27.770473405635585]
この研究は、疑似ラベルのバイアス問題を研究する。これは、広く起こるが、しばしば先行研究によって見落とされがちな自然現象である。
半教師付き学習モデルであるFixMatchは、ラベルなしデータを計算したとしても、ラベルなし集合上のラベルを予測したとき、重く長い尾の擬似ラベルを観察する。
介入なしに、トレーニングモデルは擬似ラベルからバイアスを継承し、最終的には準最適となる。
論文 参考訳(メタデータ) (2022-01-05T07:40:24Z) - General Greedy De-bias Learning [163.65789778416172]
本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。
GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
論文 参考訳(メタデータ) (2021-12-20T14:47:32Z) - Semi-Automatic Data Annotation guided by Feature Space Projection [117.9296191012968]
本稿では,適切な特徴空間投影と半教師付きラベル推定に基づく半自動データアノテーション手法を提案する。
MNISTデータセットとヒト腸内寄生虫の胎児不純物の有無による画像を用いて本手法の有効性を検証した。
この結果から,人間と機械の相補的能力を組み合わせた視覚分析ツールの付加価値が,より効果的な機械学習に有効であることが示唆された。
論文 参考訳(メタデータ) (2020-07-27T17:03:50Z) - 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。