論文の概要: Class and Region-Adaptive Constraints for Network Calibration

• arxiv url: http://arxiv.org/abs/2403.12364v1
• Date: Tue, 19 Mar 2024 02:19:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-20 15:51:27.197442
• Title: Class and Region-Adaptive Constraints for Network Calibration
• Title（参考訳）: ネットワーク校正のためのクラスと領域適応制約
• Authors: Balamurali Murugesan, Julio Silva-Rodriguez, Ismail Ben Ayed, Jose Dolz,
• Abstract要約: 本稿では,異なるカテゴリや対象領域がもたらす固有の課題を考慮したセグメンテーションネットワークのキャリブレーション手法を提案する。 手動で最適なペナルティウェイトを見つけることは不可能であり、最適化プロセスを妨げる可能性がある。 本稿では,クラスと地域適応制約(CRaC)に基づくアプローチを提案する。
• 参考スコア（独自算出の注目度）: 17.583536041845402
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we present a novel approach to calibrate segmentation networks that considers the inherent challenges posed by different categories and object regions. In particular, we present a formulation that integrates class and region-wise constraints into the learning objective, with multiple penalty weights to account for class and region differences. Finding the optimal penalty weights manually, however, might be unfeasible, and potentially hinder the optimization process. To overcome this limitation, we propose an approach based on Class and Region-Adaptive constraints (CRaC), which allows to learn the class and region-wise penalty weights during training. CRaC is based on a general Augmented Lagrangian method, a well-established technique in constrained optimization. Experimental results on two popular segmentation benchmarks, and two well-known segmentation networks, demonstrate the superiority of CRaC compared to existing approaches. The code is available at: https://github.com/Bala93/CRac/
• Abstract（参考訳）: 本研究では,異なるカテゴリや対象領域がもたらす固有の課題を考慮したセグメンテーションネットワークの校正手法を提案する。 特に,クラスと地域による制約を学習目標に統合し,クラスと地域の違いを考慮に入れた複数のペナルティ重みを定式化する。 しかし、最適なペナルティウェイトを手動で見つけることは不可能であり、最適化プロセスを妨げる可能性がある。 この制限を克服するために,クラスおよび地域適応制約(CRaC)に基づくアプローチを提案する。 CRaCは、制約付き最適化において確立された手法である一般化ラグランジアン法に基づいている。 2つの人気のあるセグメンテーションベンチマークと2つのよく知られたセグメンテーションネットワークの実験結果は、既存のアプローチと比較してCRaCの優位性を示している。 コードは、https://github.com/Bala93/CRac/で入手できる。

関連論文リスト

• Weakly Supervised Co-training with Swapping Assignments for Semantic Segmentation [21.345548821276097]
  クラスアクティベーションマップ(CAM)は通常、擬似ラベルを生成するために弱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(WSSS)で使用される。 我々は、ガイド付きCAMを組み込んだエンドツーエンドWSSSモデルを提案し、CAMをオンラインで同時最適化しながらセグメンテーションモデルを訓練する。 CoSAは、追加の監督を持つものを含む、既存のマルチステージメソッドをすべて上回る、最初のシングルステージアプローチである。
  論文  参考訳（メタデータ） (2024-02-27T21:08:23Z)
• GRSDet: Learning to Generate Local Reverse Samples for Few-shot Object Detection [15.998148904793426]
  Few-shot Object Detection (FSOD) は、いくつかの新しいクラストレーニングデータを用いてのみオブジェクト検出を実現することを目的としている。 既存の手法の多くは、新しいクラス分布を構築するために移行学習戦略を採用するのが一般的である。 本稿では,新しいクラス分布の中心位置と境界範囲を適応的に調整するために,プロトタイプ参照フレームに局所逆サンプル(LRSamples)を生成することを提案する。
  論文  参考訳（メタデータ） (2023-12-27T13:36:29Z)
• Class Adaptive Network Calibration [19.80805957502909]
  ディープネットワークの校正のためのクラス適応ラベル平滑化(CALS)を提案する。 提案手法は,制約付き最適化において確立された手法である拡張ラグランジアンアプローチに基づいて構築される。
  論文  参考訳（メタデータ） (2022-11-28T06:05:31Z)
• MemSAC: Memory Augmented Sample Consistency for Large Scale Unsupervised Domain Adaptation [71.4942277262067]
  本稿では,ソースドメインとターゲットドメイン間のサンプルレベルの類似性を利用して識別的転送を実現するMemSACを提案する。 我々は,MemSACの有効性に関する詳細な分析と知見を提供する。
  論文  参考訳（メタデータ） (2022-07-25T17:55:28Z)
• Local overlap reduction procedure for dynamic ensemble selection [13.304462985219237]
  クラス不均衡は、分類モデルにおいて学習をより困難にすることで知られる特徴である。 分類過程における局所クラス重複の影響を最小限に抑えるDS手法を提案する。 実験の結果,提案手法はベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2022-06-16T21:31:05Z)
• Region Rebalance for Long-Tailed Semantic Segmentation [89.84860341946283]
  まず、ピクセル再バランスによってこの問題に対処する主な課題を調査し、特定する。 そして,本分析に基づいて,単純かつ効果的な領域再バランス方式を導出する。 提案された領域再均衡スキームでは、最先端のBEiTはADE20K val集合上のmIoUで+0.7%上昇する。
  論文  参考訳（メタデータ） (2022-04-05T03:47:47Z)
• Learning What Not to Segment: A New Perspective on Few-Shot Segmentation [63.910211095033596]
  近年では、FSS ( few-shot segmentation) が広く開発されている。 本稿では,問題を緩和するための新鮮で直接的な知見を提案する。 提案されたアプローチのユニークな性質を踏まえて、より現実的で挑戦的な設定にまで拡張する。
  論文  参考訳（メタデータ） (2022-03-15T03:08:27Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• L-SNet: from Region Localization to Scale Invariant Medical Image Segmentation [6.351506259996282]
  本稿では,これらの問題に対処する2段階ネットワークアーキテクチャを提案する。 第1段階では、ローカライゼーションネットワーク(L-Net)が関心領域(RoIs)を検出方法で特定し、第2段階では、再校正されたRoIに対してセグメンテーションネットワーク(S-Net)が微細セグメンテーションを行う。 公開データセットを用いた実験結果から,提案手法は無視できないオーバーヘッドを伴う最先端の粗大なモデルよりも優れていた。
  論文  参考訳（メタデータ） (2021-02-11T12:29:39Z)
• Fine-grained Angular Contrastive Learning with Coarse Labels [72.80126601230447]
  教師付きおよび自己監督型コントラスト前訓練を効果的に組み合わせることができる新しい「Angularの正規化」モジュールを紹介します。 この研究は、C2FS分類のこの新しい、挑戦的で、非常に実用的なトピックに関する将来の研究の道を開くのに役立ちます。
  論文  参考訳（メタデータ） (2020-12-07T08:09:02Z)
• Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
  現在の逆順応法は、クロスドメインの特徴を整列させようとする。 1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。 本稿では,対向構造の学習を統一することで,半教師付きドメイン適応のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-06T22:58:20Z)

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。