論文の概要: Pseudo-label Alignment for Semi-supervised Instance Segmentation
- arxiv url: http://arxiv.org/abs/2308.05359v1
- Date: Thu, 10 Aug 2023 05:56:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-11 13:39:14.265569
- Title: Pseudo-label Alignment for Semi-supervised Instance Segmentation
- Title(参考訳): 半教師付きインスタンスセグメンテーションのための擬似ラベルアライメント
- Authors: Jie Hu, Chen Chen, Liujuan Cao, Shengchuan Zhang, Annan Shu, Guannan
Jiang, and Rongrong Ji
- Abstract要約: 擬似ラベルは半教師付きインスタンスセグメンテーションにおいて重要である。
既存のパイプラインでは、クラスやマスクの品質のミスマッチにより、貴重な情報を含む擬似ラベルをフィルタリングすることができる。
本稿では,疑似ラベル整合インスタンスセグメンテーション(PAIS)と呼ばれる新しいフレームワークを提案する。
- 参考スコア(独自算出の注目度): 67.9616087910363
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pseudo-labeling is significant for semi-supervised instance segmentation,
which generates instance masks and classes from unannotated images for
subsequent training. However, in existing pipelines, pseudo-labels that contain
valuable information may be directly filtered out due to mismatches in class
and mask quality. To address this issue, we propose a novel framework, called
pseudo-label aligning instance segmentation (PAIS), in this paper. In PAIS, we
devise a dynamic aligning loss (DALoss) that adjusts the weights of
semi-supervised loss terms with varying class and mask score pairs. Through
extensive experiments conducted on the COCO and Cityscapes datasets, we
demonstrate that PAIS is a promising framework for semi-supervised instance
segmentation, particularly in cases where labeled data is severely limited.
Notably, with just 1\% labeled data, PAIS achieves 21.2 mAP (based on
Mask-RCNN) and 19.9 mAP (based on K-Net) on the COCO dataset, outperforming the
current state-of-the-art model, \ie, NoisyBoundary with 7.7 mAP, by a margin of
over 12 points. Code is available at: \url{https://github.com/hujiecpp/PAIS}.
- Abstract(参考訳): 疑似ラベルは、セミ教師付きインスタンスセグメンテーションにおいて重要であり、その後のトレーニングのためにアノテーションのないイメージからインスタンスマスクとクラスを生成する。
しかし、既存のパイプラインでは、クラスやマスクの品質のミスマッチにより、貴重な情報を含む擬似ラベルを直接フィルタリングすることができる。
この問題に対処するため,我々はpseudo-labelaligneding instance segmentation (pais) と呼ばれる新しいフレームワークを提案する。
PAISでは,半教師付き損失項の重みを様々なクラスとマスクスコアペアで調整する動的整合損失(DALoss)を考案する。
COCOデータセットとCityscapesデータセットで実施された広範な実験を通じて、PAISが半教師付きインスタンスセグメンテーションのための有望なフレームワークであることを実証した。
特に1\%のラベル付きデータで、PAISはCOCOデータセット上で21.2 mAP(Mask-RCNNをベースとする)と19.9 mAP(K-Netをベースとする)を達成し、現在の最先端モデルであるShaie, NoisyBoundaryを7.7 mAPのマージンで上回っている。
コードは: \url{https://github.com/hujiecpp/PAIS}で入手できる。
関連論文リスト
- ECAP: Extensive Cut-and-Paste Augmentation for Unsupervised Domain
Adaptive Semantic Segmentation [4.082799056366928]
本稿では,データ拡張を通じて信頼性の高い擬似ラベルを活用するための広範囲なカット・アンド・ペースト戦略(ECAP)を提案する。
ECAPはトレーニングを通じて擬似ラベル付きターゲットサンプルのメモリバンクを保持し、現在のトレーニングバッチに最も自信のあるサンプルをカット&ペーストする。
我々は,最近のMIC法に基づいてECPを実装し,その性能を2つの合成-実領域適応ベンチマークで向上させる。
論文 参考訳(メタデータ) (2024-03-06T17:06:07Z) - The Devil is in the Points: Weakly Semi-Supervised Instance Segmentation
via Point-Guided Mask Representation [61.027468209465354]
本稿では,ポイントラベル付き弱半教師付きインスタンスセグメンテーション(WSSIS)という新しい学習手法を提案する。
本稿では、予算に優しいポイントラベルを強力な弱監督源として効果的に活用できるWSSISの手法を提案する。
我々はCOCOとBDD100Kデータセットの広範な実験を行い、提案手法は完全な教師付きモデルのデータセットに匹敵する有望な結果を得る。
論文 参考訳(メタデータ) (2023-03-27T10:11:22Z) - Scene Clustering Based Pseudo-labeling Strategy for Multi-modal Aerial
View Object Classification [22.4510980822444]
微細なデータ、クラス不均衡、および様々な撮影条件は、一般的な画像分類の表現能力を妨げる。
これらの特性を利用して、シーンクラスタリングに基づく擬似ラベル戦略(SCP-Label)を提案する。
SCP-Labelは、同じシーン内のオブジェクトに同じラベルを割り当てることによって、より精度を高める。
論文 参考訳(メタデータ) (2022-05-04T07:13:01Z) - 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) - Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with
Self-Supervised Depth Estimation [94.16816278191477]
本稿では,セミアダプティブなセマンティック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フレームワークを提案する。
ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。
提案したモデルをCityscapesデータセット上で検証する。
論文 参考訳(メタデータ) (2021-08-28T01:33:38Z) - LabOR: Labeling Only if Required for Domain Adaptive Semantic
Segmentation [79.96052264984469]
本稿では,UDAモデルが不確実な点に対して,少ないラベルを適応的に付与する手法を提案する。
作業コストを最小化しつつ、ドメイン適応型セマンティックセマンティックセマンティクスのための新しいフレームワークの利点を示す。
論文 参考訳(メタデータ) (2021-08-12T07:35:40Z) - Re-distributing Biased Pseudo Labels for Semi-supervised Semantic
Segmentation: A Baseline Investigation [30.688753736660725]
疑似ラベルを生成するために,DARS法とDARS法を提案する。
我々の手法は最先端の手法と比較して好適に機能する。
論文 参考訳(メタデータ) (2021-07-23T14:45:14Z) - Semi-Supervised Semantic Segmentation with Cross Pseudo Supervision [56.950950382415925]
クロス擬似監督(CPS)と呼ばれる新しい整合性正規化手法を提案する。
CPS整合性には2つの役割がある: 同じ入力画像に対する2つの摂動ネットワークの予測間の高い類似性を奨励し、擬似ラベル付きラベル付きラベル付きデータを使用することでトレーニングデータを拡張する。
実験の結果,Cityscapes と PASCAL VOC 2012 を用いた半教師付きセグメンテーション性能が得られた。
論文 参考訳(メタデータ) (2021-06-02T15:21:56Z) - Training image classifiers using Semi-Weak Label Data [26.04162590798731]
多重インスタンス学習(MIL)では、弱ラベルがバッグレベルで提供され、存在/存在情報のみが知られる。
本稿では,この問題を軽減するため,新たな半弱ラベル学習パラダイムを提案する。
半弱ラベルから学習する問題に対処する2段階のフレームワークを提案する。
論文 参考訳(メタデータ) (2021-03-19T03:06:07Z)
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。