論文の概要: Semi-Supervised Semantic Segmentation via Marginal Contextual
Information
- arxiv url: http://arxiv.org/abs/2308.13900v1
- Date: Sat, 26 Aug 2023 15:02:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 18:17:52.859457
- Title: Semi-Supervised Semantic Segmentation via Marginal Contextual
Information
- Title(参考訳): Marginal Contextual Information を用いた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
- Authors: Moshe Kimhi, Shai Kimhi, Evgenii Zheltonozhskii, Or Litany, Chaim
Baskin
- Abstract要約: セマンティックセグメンテーションにおける疑似ラベルを強化する新しい信頼度向上手法を提案する。
S4MCと命名された本手法は,擬似ラベルの品質を維持しつつ,トレーニング中に使用するラベルなしデータの量を増加させる。
S4MCは、最先端の半教師あり学習手法より優れている。
- 参考スコア(独自算出の注目度): 14.72111236164531
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present a novel confidence refinement scheme that enhances pseudo-labels
in semi-supervised semantic segmentation. Unlike current leading methods, which
filter pixels with low-confidence predictions in isolation, our approach
leverages the spatial correlation of labels in segmentation maps by grouping
neighboring pixels and considering their pseudo-labels collectively. With this
contextual information, our method, named S4MC, increases the amount of
unlabeled data used during training while maintaining the quality of the
pseudo-labels, all with negligible computational overhead. Through extensive
experiments on standard benchmarks, we demonstrate that S4MC outperforms
existing state-of-the-art semi-supervised learning approaches, offering a
promising solution for reducing the cost of acquiring dense annotations. For
example, S4MC achieves a 1.29 mIoU improvement over the prior state-of-the-art
method on PASCAL VOC 12 with 366 annotated images. The code to reproduce our
experiments is available at https://s4mcontext.github.io/
- 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における擬似ラベルを強化する新しい信頼度向上手法を提案する。
本手法では, 近傍の画素をグループ化し, 擬似ラベルをまとめて考えることにより, セグメンテーションマップ内のラベルの空間的相関を利用する。
この文脈情報により,本手法はs4mcと名付けられ,疑似ラベルの品質を維持しながらトレーニング中に使用するラベルなしデータ量を増加させる。
標準ベンチマークに関する広範な実験を通じて、S4MCは既存の最先端の半教師付き学習手法よりも優れており、高密度アノテーションの取得コストを削減できる有望なソリューションを提供する。
例えば、S4MCは366の注釈付き画像を持つPASCAL VOC 12の先行技術よりも1.29mIoUの改善を実現している。
実験を再現するコードはhttps://s4mcontext.github.io/で利用可能です。
関連論文リスト
- CorrMatch: Label Propagation via Correlation Matching for
Semi-Supervised Semantic Segmentation [73.89509052503222]
本稿では、CorrMatchと呼ばれる、単純だが実行可能な半教師付きセマンティックセマンティックセマンティックセマンティクス手法を提案する。
相関写像は、同一カテゴリのクラスタリングピクセルを容易に実現できるだけでなく、良好な形状情報も含んでいることを観察する。
我々は,高信頼画素を拡大し,さらに掘り出すために,画素の対の類似性をモデル化して画素伝搬を行う。
そして、相関地図から抽出した正確なクラス非依存マスクを用いて、領域伝搬を行い、擬似ラベルを強化する。
論文 参考訳(メタデータ) (2023-06-07T10:02:29Z) - ProtoCon: Pseudo-label Refinement via Online Clustering and Prototypical
Consistency for Efficient Semi-supervised Learning [60.57998388590556]
ProtoConは信頼性に基づく疑似ラベル作成の新しい手法である。
ProtoConのオンライン版では、データセット全体のラベル履歴を1回のトレーニングサイクルで活用することができる。
最先端のデータセットよりも大幅に向上し、より高速に収束する。
論文 参考訳(メタデータ) (2023-03-22T23:51:54Z) - 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) - LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。
本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。
提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
論文 参考訳(メタデータ) (2022-10-14T19:13:36Z) - The devil is in the labels: Semantic segmentation from sentences [106.52405522077841]
ゼロショット設定に適用した場合、最先端の教師付き性能を実現するセマンティックセマンティックセマンティクスへのアプローチを提案する。
これは各クラスラベルを、クラスを記述する短い段落のベクトル値の埋め込みに置き換えることによって達成される。
結果として得られた200万以上の画像の統合セマンティックセグメンテーションデータセットは、7つのベンチマークデータセット上の最先端の教師付きメソッドと同等のパフォーマンスを達成するモデルをトレーニングすることができる。
論文 参考訳(メタデータ) (2022-02-04T07:19:09Z) - SparseDet: Improving Sparsely Annotated Object Detection with
Pseudo-positive Mining [76.95808270536318]
Pseudo- positive mining を用いてラベル付き地域とラベルなし地域を分離するエンド・ツー・エンドシステムを提案する。
ラベル付き領域は通常通り処理されるが、ラベルなし領域の処理には自己教師付き学習が使用される。
我々は,PASCAL-VOCとCOCOデータセットの5つの分割に対して,最先端の性能を達成するための徹底的な実験を行った。
論文 参考訳(メタデータ) (2022-01-12T18:57:04Z) - Warp-Refine Propagation: Semi-Supervised Auto-labeling via
Cycle-consistency [27.77065474840873]
本稿では,意味的手がかりと幾何学的手がかりを組み合わせ,効率的な自動ラベルビデオを生成する新しいラベル伝搬法を提案する。
本手法は, 幾何学的にワープされたラベルを改良し, 半教師付き環境下で学習したセマンティック先行情報を注入する。
本研究では,ApolloScapeデータセット上の13.1 mIoUの有意なマージンでラベルの伝播を改善する手法を定量的に示す。
論文 参考訳(メタデータ) (2021-09-28T02:04:18Z) - POPCORN: Progressive Pseudo-labeling with Consistency Regularization and
Neighboring [3.4253416336476246]
半教師付き学習(SSL)では、ラベルのないデータを使用して、画像の不足と、未確認領域へのメソッドの一般化の欠如を補う。
画像分割のための整合正則化と擬似ラベル化を組み合わせた新しい手法POPCORNを提案する。
論文 参考訳(メタデータ) (2021-09-13T23:36:36Z) - Weakly Supervised Medical Image Segmentation [2.355970984550866]
スパースラベル付き画像を用いた数ショット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を提案する。
メタテストでは,スパースラベルをメタトレーニングや高密度ラベルに使用することにより,スパースラベルから高密度ラベルを予測することができる。
論文 参考訳(メタデータ) (2021-08-12T00:15:47Z)
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。