論文の概要: Causal Unsupervised Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2310.07379v1
• Date: Wed, 11 Oct 2023 10:54:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 23:14:38.979533
• Title: Causal Unsupervised Semantic Segmentation
• Title（参考訳）: 因果無監督意味分類
• Authors: Junho Kim, Byung-Kwan Lee, Yong Man Ro
• Abstract要約: 教師なしセマンティックセグメンテーションは、人間のラベル付きアノテーションなしで高品質なセマンティックセマンティックセグメンテーションを実現することを目的としている。 本稿では、因果推論からの洞察を活用する新しいフレームワークCAUSE(CAusal Unsupervised Semantic sEgmentation)を提案する。
• 参考スコア（独自算出の注目度）: 60.178274138753174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised semantic segmentation aims to achieve high-quality semantic grouping without human-labeled annotations. With the advent of self-supervised pre-training, various frameworks utilize the pre-trained features to train prediction heads for unsupervised dense prediction. However, a significant challenge in this unsupervised setup is determining the appropriate level of clustering required for segmenting concepts. To address it, we propose a novel framework, CAusal Unsupervised Semantic sEgmentation (CAUSE), which leverages insights from causal inference. Specifically, we bridge intervention-oriented approach (i.e., frontdoor adjustment) to define suitable two-step tasks for unsupervised prediction. The first step involves constructing a concept clusterbook as a mediator, which represents possible concept prototypes at different levels of granularity in a discretized form. Then, the mediator establishes an explicit link to the subsequent concept-wise self-supervised learning for pixel-level grouping. Through extensive experiments and analyses on various datasets, we corroborate the effectiveness of CAUSE and achieve state-of-the-art performance in unsupervised semantic segmentation.
• Abstract（参考訳）: 教師なしセマンティクスセグメンテーションは、人間ラベルのアノテーションなしで高品質なセマンティクスグループ化を実現することを目的としている。 自己教師付き事前学習の出現に伴い、様々なフレームワークが事前訓練された特徴を利用して予測ヘッドを訓練し、教師なし密集予測を行う。 しかしながら、この教師なし設定における重要な課題は、セグメンテーションの概念に必要なクラスタリングの適切なレベルを決定することである。 そこで本研究では,因果推論からの洞察を活用し,因果的非教師なし意味セグメンテーション(原因)という新しい枠組みを提案する。 具体的には,教師なし予測に適した2ステップタスクを定義するために介入指向アプローチ(すなわちフロントドア調整)を橋渡しする。 最初のステップは、メディエータとして概念クラスタブックを構築することであり、これは、異なるレベルの粒度のコンセプトプロトタイプを離散化形式で表現する。 次に、仲介者は、画素レベルグループ化のための概念的自己教師付き学習への明示的なリンクを確立する。 様々なデータセットに関する広範な実験と分析を通じて、CAUSEの有効性を裏付け、教師なしセマンティックセグメンテーションにおける最先端の性能を達成する。

関連論文リスト

• A Survey on Label-efficient Deep Segmentation: Bridging the Gap between Weak Supervision and Dense Prediction [115.9169213834476]
  本稿では,ラベル効率の高いセグメンテーション手法について概説する。 まず,様々な種類の弱いラベルによって提供される監督に従って,これらの手法を整理する分類法を開発する。 次に,既存のラベル効率のセグメンテーション手法を統一的な視点から要約する。
  論文  参考訳（メタデータ） (2022-07-04T06:21:01Z)
• Unsupervised Hierarchical Semantic Segmentation with Multiview Cosegmentation and Clustering Transformers [47.45830503277631]
  グループ化は自然に粒度のレベルを持ち、教師なしのセグメンテーションにおいて曖昧さを生み出す。 階層的セグメンテーショングループ(HSG)と呼ばれる,データ駆動型非教師付き階層的セグメンテーション手法を初めて提供する。
  論文  参考訳（メタデータ） (2022-04-25T04:40:46Z)
• Resolving label uncertainty with implicit posterior models [71.62113762278963]
  本稿では,データサンプルのコレクション間でラベルを共同で推論する手法を提案する。 異なる予測子を後部とする生成モデルの存在を暗黙的に仮定することにより、弱い信念の下での学習を可能にする訓練目標を導出する。
  論文  参考訳（メタデータ） (2022-02-28T18:09:44Z)
• Unsupervised Cross-Lingual Transfer of Structured Predictors without Source Data [37.1075911292287]
  入力モデルを集約する手段は重要であり, 遠隔監視のための高確率構造を得るために, サブストラクチャの限界確率を乗じることの方が, 入力モデルよりもはるかに優れていることを示す。 本手法は18言語を対象に,係り受け解析とパート・オブ・音声による予測問題を考慮し,言語間セッティングで機能することが実証された。 分析の結果,提案手法は遠隔監視のためのノイズの少ないラベルを生成することがわかった。
  論文  参考訳（メタデータ） (2021-10-08T02:46:34Z)
• Semi-Supervised Segmentation of Concrete Aggregate Using Consensus Regularisation and Prior Guidance [2.1749194587826026]
  本稿では,事前知識に基づく追加損失を導入する,意味セグメンテーションのための新しい半教師付きフレームワークを提案する。 コンクレート・アグリゲート・データセット(concrete aggregate dataset)を用いた実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-04-22T13:01:28Z)
• Unsupervised Semantic Segmentation by Contrasting Object Mask Proposals [78.12377360145078]
  画素埋め込みを学習するために、コントラスト最適化の目的として、予め決められた事前を取り入れた新しい2段階フレームワークを導入する。 これは、プロキシタスクやエンドツーエンドのクラスタリングに依存する既存の作業から大きく逸脱している。 特に、PASCALでラベル付き例の1%だけを用いて学習した表現を微調整すると、7.1% mIoUで教師付き ImageNet の事前トレーニングを上回ります。
  論文  参考訳（メタデータ） (2021-02-11T18:54:47Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)
• Unsupervised Part Discovery by Unsupervised Disentanglement [10.664434993386525]
  部分分割は、個々のピクセルのレベルにおける部分ローカライゼーションに関する情報を提供する。 大きなアノテーションのコストは、教師付きアルゴリズムのスケーラビリティを他のオブジェクトカテゴリに制限します。 我々の研究は、監督なしに意味的部分のセグメンテーションを発見できる可能性を示している。
  論文  参考訳（メタデータ） (2020-09-09T12:34:37Z)
• Rectifying Pseudo Label Learning via Uncertainty Estimation for Domain Adaptive Semantic Segmentation [49.295165476818866]
  本稿では、意味的セグメンテーションの文脈において、ソースドメインからターゲットドメインへの知識伝達の教師なし領域適応に焦点を当てる。 既存のアプローチでは、通常、擬似ラベルを未ラベルのターゲットドメインデータを完全に活用するための基礎的真理とみなす。 本稿では,擬似ラベル学習の修正のために,学習中の予測の不確かさを明示的に推定することを提案する。
  論文  参考訳（メタデータ） (2020-03-08T12:37:19Z)

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。