論文の概要: Inconsistency Masks: Removing the Uncertainty from Input-Pseudo-Label
Pairs
- arxiv url: http://arxiv.org/abs/2401.14387v1
- Date: Thu, 25 Jan 2024 18:46:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-26 13:31:51.078802
- Title: Inconsistency Masks: Removing the Uncertainty from Input-Pseudo-Label
Pairs
- Title(参考訳): inconsistency masks: input-pseudo-label pairsからの不確実性除去
- Authors: Michael R. H. Vorndran, Bernhard F. Roeck
- Abstract要約: Inconsistency Masks (IM) を用いた画像-擬似ラベルペアの不確実性を効果的にフィルタする手法を提案する。
私たちはISIC 2018データセット上で、わずか10%のラベル付きデータから始まる、顕著なバイナリセグメンテーション性能を示しました。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generating sufficient labeled data is a significant hurdle in the efficient
execution of deep learning projects, especially in uncharted territories of
image segmentation where labeling demands extensive time, unlike classification
tasks. Our study confronts this challenge, operating in an environment
constrained by limited hardware resources and the lack of extensive datasets or
pre-trained models. We introduce the novel use of Inconsistency Masks (IM) to
effectively filter uncertainty in image-pseudo-label pairs, substantially
elevating segmentation quality beyond traditional semi-supervised learning
techniques. By integrating IM with other methods, we demonstrate remarkable
binary segmentation performance on the ISIC 2018 dataset, starting with just
10% labeled data. Notably, three of our hybrid models outperform those trained
on the fully labeled dataset. Our approach consistently achieves exceptional
results across three additional datasets and shows further improvement when
combined with other techniques. For comprehensive and robust evaluation, this
paper includes an extensive analysis of prevalent semi-supervised learning
strategies, all trained under identical starting conditions. The full code is
available at: https://github.com/MichaelVorndran/InconsistencyMasks
- Abstract(参考訳): 十分なラベル付きデータを生成することは、ディープラーニングプロジェクトの効率的な実行において重要なハードルとなる。
我々の研究は、限られたハードウェアリソースと広範なデータセットや事前訓練されたモデルの欠如に制約された環境での運用という課題に直面している。
非一貫性マスク (im) を用いて, 従来の半教師付き学習技術以上のセグメンテーション品質を実質的に向上させ, 不確かさを効果的にフィルタリングする手法を提案する。
IMと他の手法を統合することで、わずか10%のラベル付きデータから始まるISIC 2018データセットにおいて、優れたバイナリセグメンテーション性能を示す。
特に、当社のハイブリッドモデルのうち3つが、完全にラベル付きデータセットでトレーニングされたモデルよりも優れています。
我々のアプローチは、3つの追加データセットにまたがる例外的な結果を一貫して達成し、他の手法と組み合わせることでさらなる改善を示す。
総合的かつ堅牢な評価のために,本論文では,すべて同一の開始条件下で訓練された,一般的な半教師付き学習戦略を幅広く分析する。
完全なコードは、https://github.com/MichaelVorndran/InconsistencyMasksで入手できる。
関連論文リスト
- Contrastive Multiple Instance Learning for Weakly Supervised Person ReID [50.04900262181093]
本稿では、より効果的に教師付きされたReIDに適した新しいフレームワークであるContrastive Multiple Instance Learning (CMIL)を紹介する。
CMILは、対照的な損失を生かしながら、単一のモデルと擬似ラベルを必要とせず、自分自身を区別する。
PerformancePhoto.coの実際のアプリケーションから自然に発生する弱いラベルを特徴とするMUDDデータセットの拡張であるWL-MUDDデータセットをリリースする。
論文 参考訳(メタデータ) (2024-02-12T14:48:31Z) - Exploring the Boundaries of Semi-Supervised Facial Expression
Recognition: Learning from In-Distribution, Out-of-Distribution, and
Unconstrained Data [19.442685015494316]
表情認識(FER)における最新の半教師あり手法11について検討する。
本研究は,非流通,アウト・オブ・ディストリビューション,制約のない,非常に小さなデータからの半教師付き学習を対象とする。
以上の結果から,FixMatchは非分散データに対して常に優れたパフォーマンスを実現していることを示す一方,ReMixMatchは非分散データ,非制約データ,希少データシナリオにおいて,すべてのメソッドにおいて際立っている。
論文 参考訳(メタデータ) (2023-06-02T01:40:08Z) - MaskCon: Masked Contrastive Learning for Coarse-Labelled Dataset [19.45520684918576]
我々は、@textbfMask$ed $textbfCon$trastive Learning($textbfMaskCon$)と呼ばれる対照的な学習方法を提案する。
各サンプルに対して,本手法は,他のサンプルに対して粗いラベルを付与して軟質ラベルを生成する。
提案手法は, 各種データセットにおける現状よりも大幅に改善されている。
論文 参考訳(メタデータ) (2023-03-22T17:08:31Z) - Is margin all you need? An extensive empirical study of active learning
on tabular data [66.18464006872345]
我々は,OpenML-CC18ベンチマークを用いて,69の実世界のデータセット上での各種能動学習アルゴリズムの性能を解析した。
意外なことに、古典的なマージンサンプリング技術は、現在の最先端技術を含む、他のすべてのものよりも優れている。
論文 参考訳(メタデータ) (2022-10-07T21:18:24Z) - Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。
サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
論文 参考訳(メタデータ) (2022-05-02T16:09:17Z) - MSeg: A Composite Dataset for Multi-domain Semantic Segmentation [100.17755160696939]
セマンティックセグメンテーションデータセットを異なるドメインから統合する合成データセットであるMSegを提案する。
一般化と画素レベルのアノテーションのアライメントを調整し,2万枚以上のオブジェクトマスクを8万枚以上の画像で再現する。
MSegでトレーニングされたモデルは、WildDash-v1のリーダーボードで、トレーニング中にWildDashのデータに触れることなく、堅牢なセマンティックセグメンテーションのためにランク付けされている。
論文 参考訳(メタデータ) (2021-12-27T16:16:35Z) - Improving Contrastive Learning on Imbalanced Seed Data via Open-World
Sampling [96.8742582581744]
我々は、Model-Aware K-center (MAK)と呼ばれるオープンワールドなラベルなしデータサンプリングフレームワークを提案する。
MAKは、尾性、近接性、多様性の3つの単純な原則に従う。
我々はMAKが学習した機能の全体的な表現品質とクラスバランス性の両方を継続的に改善できることを実証した。
論文 参考訳(メタデータ) (2021-11-01T15:09:41Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳(メタデータ) (2020-05-18T09:36:51Z)
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。