Fugu-MT 論文翻訳(概要): Inconsistency Masks: Removing the Uncertainty from Input-Pseudo-Label Pairs

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

Continuous Contrastive Learning for Long-Tailed Semi-Supervised Recognition [50.61991746981703]
現在の最先端のLTSSLアプローチは、大規模な未ラベルデータに対して高品質な擬似ラベルに依存している。本稿では,長期学習における様々な提案を統一する新しい確率的枠組みを提案する。我々は、信頼度とスムーズな擬似ラベルを用いて、我々のフレームワークをラベルなしデータに拡張する、連続的コントラスト学習手法であるCCLを導入する。
論文参考訳（メタデータ） (2024-10-08T15:06:10Z)
Semi-supervised Medical Image Segmentation Method Based on Cross-pseudo Labeling Leveraging Strong and Weak Data Augmentation Strategies [2.8246591681333024]
本稿では,Fixmatch の概念を革新的に取り入れた半教師付きモデル DFCPS を提案する。整合性学習と自己学習を統合したクロス擬似スーパービジョンが導入された。我々のモデルは、ラベルなしデータの比率が異なる4つの区分全てにおいて、常に優れた性能を示す。
論文参考訳（メタデータ） (2024-02-17T13:07:44Z)
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)
Empowering HWNs with Efficient Data Labeling: A Clustered Federated Semi-Supervised Learning Approach [2.046985601687158]
CFL(Clustered Federated Multitask Learning)は,統計的課題を克服するための効果的な戦略として注目されている。本稿では,より現実的なHWNシナリオ用に設計された新しいフレームワークであるClustered Federated Semi-Supervised Learning (CFSL)を紹介する。その結果,ラベル付きデータとラベル付きデータの比率が異なる場合,CFSLはテスト精度,ラベル付け精度,ラベル付け遅延などの重要な指標を著しく改善することがわかった。
論文参考訳（メタデータ） (2024-01-19T11:47:49Z)
Segment Together: A Versatile Paradigm for Semi-Supervised Medical Image Segmentation [17.69933345468061]
医用画像セグメンテーションのための強力なディープラーニングモデルをトレーニングする上で、不足は大きな障害となっている。 textbfVersatile textbfSemi-supervised framework を導入する。
論文参考訳（メタデータ） (2023-11-20T11:35:52Z)
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)
Learning Semantic Segmentation from Multiple Datasets with Label Shifts [101.24334184653355]
本論文では,ラベル空間が異なる複数のデータセットを対象としたモデルの自動学習手法であるUniSegを提案する。具体的には,ラベルの相反と共起を考慮に入れた2つの損失を提案する。
論文参考訳（メタデータ） (2022-02-28T18:55:19Z)
GuidedMix-Net: Learning to Improve Pseudo Masks Using Labeled Images as Reference [153.354332374204]
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。まず、ラベル付きデータとラベルなしデータの間に特徴アライメントの目的を導入し、類似した画像対をキャプチャする。 MITransは、ラベルなしデータのさらなるプログレッシブな精細化のための強力な知識モジュールであることが示されている。ラベル付きデータに対する教師付き学習とともに、ラベル付きデータの予測が生成した擬似マスクとともに学習される。
論文参考訳（メタデータ） (2021-06-29T02:48:45Z)
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。