論文の概要: Semi-Supervised Semantic Segmentation With Region Relevance
- arxiv url: http://arxiv.org/abs/2304.11539v1
- Date: Sun, 23 Apr 2023 04:51:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 17:53:05.051684
- Title: Semi-Supervised Semantic Segmentation With Region Relevance
- Title(参考訳): 地域関係を考慮した半監督セマンティックセマンティックセグメンテーション
- Authors: Rui Chen, Tao Chen, Qiong Wang, Yazhou Yao
- 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、少数のラベル付きデータと多くのラベルなしデータから学ぶことを目的としている。
最も一般的なアプローチは、トレーニングデータを増やすためにラベルのない画像のための擬似ラベルを生成することである。
本稿では、上記の問題を緩和する地域関連ネットワーク(RRN)を提案する。
- 参考スコア(独自算出の注目度): 28.92449538610617
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semi-supervised semantic segmentation aims to learn from a small amount of
labeled data and plenty of unlabeled ones for the segmentation task. The most
common approach is to generate pseudo-labels for unlabeled images to augment
the training data. However, the noisy pseudo-labels will lead to cumulative
classification errors and aggravate the local inconsistency in prediction. This
paper proposes a Region Relevance Network (RRN) to alleviate the problem
mentioned above. Specifically, we first introduce a local pseudo-label
filtering module that leverages discriminator networks to assess the accuracy
of the pseudo-label at the region level. A local selection loss is proposed to
mitigate the negative impact of wrong pseudo-labels in consistency
regularization training. In addition, we propose a dynamic region-loss
correction module, which takes the merit of network diversity to further rate
the reliability of pseudo-labels and correct the convergence direction of the
segmentation network with a dynamic region loss. Extensive experiments are
conducted on PASCAL VOC 2012 and Cityscapes datasets with varying amounts of
labeled data, demonstrating that our proposed approach achieves
state-of-the-art performance compared to current counterparts.
- 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、少量のラベル付きデータと、セグメンテーションタスクのためのラベルなしデータから学ぶことを目的としている。
最も一般的なアプローチは、トレーニングデータを強化するためにラベルなし画像の擬似ラベルを生成することである。
しかし、ノイズの多い擬似ラベルは累積的分類誤差を生じさせ、予測の局所的不整合を悪化させる。
本稿では、上記の問題を緩和する地域関連ネットワーク(RRN)を提案する。
具体的には,まず識別器ネットワークを活用した局所的な擬似ラベルフィルタリングモジュールを導入し,領域レベルでの擬似ラベルの精度を評価する。
一貫性正規化トレーニングにおける誤った擬似ラベルの悪影響を軽減するために,局所的選択損失を提案する。
さらに,ネットワーク多様性の利点を生かして,疑似ラベルの信頼性をさらに評価し,動的領域損失でセグメントネットワークの収束方向を補正する動的領域損失補正モジュールを提案する。
PASCAL VOC 2012とCityscapesのデータセットにラベル付きデータを多用した大規模な実験を行い、提案手法が現在のデータと比較して最先端の性能を達成することを示した。
関連論文リスト
- Domain Adaptation Using Pseudo Labels [16.79672078512152]
ラベル付き対象データがない場合、教師なしのドメイン適応アプローチは、ソースとターゲットドメインの限界分布を整合させようとする。
我々は,複数段階の擬似ラベル修正手法を用いて,対象ドメインの正確なラベルを決定するために事前訓練ネットワークをデプロイする。
複数のデータセットに対する結果から, 複雑な最先端技術と比較して, 簡単な手順の有効性が示された。
論文 参考訳(メタデータ) (2024-02-09T22:15:11Z) - Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。
提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
論文 参考訳(メタデータ) (2024-01-21T09:57:56Z) - All Points Matter: Entropy-Regularized Distribution Alignment for
Weakly-supervised 3D Segmentation [67.30502812804271]
擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。
本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
論文 参考訳(メタデータ) (2023-05-25T08:19:31Z) - Compensation Learning in Semantic Segmentation [22.105356244579745]
本研究では,曖昧さとラベルノイズを識別・補償するフレームワークであるセマンティックスケープにおける補償学習を提案する。
ニューラルネットワークに新たな不確実性分岐を導入し、関連する領域にのみ補償バイアスを誘導する。
提案手法は最先端のセグメンテーションフレームワークに応用され,いくつかの実験により,提案手法がクラス間関係を学習することを示す。
論文 参考訳(メタデータ) (2023-04-26T10:26:11Z) - Class-Balanced Pixel-Level Self-Labeling for Domain Adaptive Semantic
Segmentation [31.50802009879241]
ドメイン適応セマンティックセグメンテーション(Domain Adaptive semantic segmentation)は、ソースドメインデータの監視によってモデルを学習し、ラベルなしのターゲットドメイン上で密度の高い予測を生成することを目的としている。
この課題に対する一般的な解決策の1つは自己学習であり、ターゲットサンプルのハイスコア予測をトレーニング用の擬似ラベルとして選択する。
本稿では,ソース領域に強く依存するのではなく,対象領域データの固有画素分布を直接探索することを提案する。
論文 参考訳(メタデータ) (2022-03-18T04:56:20Z) - Local contrastive loss with pseudo-label based self-training for
semi-supervised medical image segmentation [13.996217500923413]
セミ/セルフ教師付き学習ベースのアプローチは、注釈付きデータとともにラベル付きデータを悪用する。
近年の自己教師付き学習法では, コントラッシブ・ロスを用いて, ラベルのない画像から優れたグローバルレベル表現を学習している。
セグメンテーションに有用な画素レベルの特徴を,セマンティックラベル情報を利用して学習するために,局所的なコントラスト損失を提案する。
論文 参考訳(メタデータ) (2021-12-17T17:38:56Z) - Non-Salient Region Object Mining for Weakly Supervised Semantic
Segmentation [64.2719590819468]
弱教師付きセマンティックセグメンテーションのための非塩分領域オブジェクトマイニング手法を提案する。
擬似ラベルの偽陰性率を低減するために、潜在的なオブジェクトマイニングモジュールを提案する。
非サリエント領域マスキングモジュールは、非サリエント領域内のオブジェクトをさらに発見するのに役立ちます。
論文 参考訳(メタデータ) (2021-03-26T16:44:03Z) - Selective Pseudo-Labeling with Reinforcement Learning for
Semi-Supervised Domain Adaptation [116.48885692054724]
半教師付きドメイン適応のための強化学習に基づく選択擬似ラベル法を提案する。
高精度かつ代表的な擬似ラベルインスタンスを選択するための深層Q-ラーニングモデルを開発する。
提案手法は, SSDAのベンチマークデータセットを用いて評価し, 全ての比較手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2020-12-07T03:37:38Z) - PseudoSeg: Designing Pseudo Labels for Semantic Segmentation [78.35515004654553]
ラベルなしまたは弱いラベル付きデータを用いたトレーニングのための構造化された擬似ラベルを生成するための擬似ラベルの再設計を提案する。
提案手法の有効性を,低データと高データの両方において示す。
論文 参考訳(メタデータ) (2020-10-19T17:59:30Z) - 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。