論文の概要: A Review of Pseudo-Labeling for Computer Vision

• arxiv url: http://arxiv.org/abs/2408.07221v1
• Date: Tue, 13 Aug 2024 22:17:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-15 14:35:46.760493
• Title: A Review of Pseudo-Labeling for Computer Vision
• Title（参考訳）: Pseudo-Labeling のコンピュータビジョンへの応用
• Authors: Patrick Kage, Jay C. Rothenberger, Pavlos Andreadis, Dimitrios I. Diochnos,
• Abstract要約: ディープニューラルネットワークは、しばしば効果的に一般化するためにラベル付きサンプルの大きなデータセットを必要とする。 活発な研究の重要な領域は半教師あり学習であり、代わりに大量の(容易に取得された)未ラベルのサンプルを使おうとする。 本研究では,自己監督手法と教師なし手法の両方において,擬似ラベルのより広範な解釈について検討する。
• 参考スコア（独自算出の注目度）: 2.79239659248295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural models have achieved state of the art performance on a wide range of problems in computer science, especially in computer vision. However, deep neural networks often require large datasets of labeled samples to generalize effectively, and an important area of active research is semi-supervised learning, which attempts to instead utilize large quantities of (easily acquired) unlabeled samples. One family of methods in this space is pseudo-labeling, a class of algorithms that use model outputs to assign labels to unlabeled samples which are then used as labeled samples during training. Such assigned labels, called pseudo-labels, are most commonly associated with the field of semi-supervised learning. In this work we explore a broader interpretation of pseudo-labels within both self-supervised and unsupervised methods. By drawing the connection between these areas we identify new directions when advancements in one area would likely benefit others, such as curriculum learning and self-supervised regularization.
• Abstract（参考訳）: ディープニューラルモデルはコンピュータ科学、特にコンピュータビジョンにおける幅広い問題において最先端のパフォーマンスを達成した。 しかし、ディープニューラルネットワークは、効果的に一般化するためにラベル付きサンプルの大きなデータセットを必要とすることが多く、活発な研究の重要な領域は半教師付き学習である。 この分野での手法の1つに擬似ラベル法がある。これはトレーニング中にラベル付きサンプルとして使用されるラベル付きサンプルにラベルを割り当てるためにモデル出力を使用するアルゴリズムのクラスである。 このようなアサインされたラベルは擬似ラベルと呼ばれ、主に半教師付き学習の分野と関連付けられている。 本研究では,自己監督手法と教師なし手法の両方において,擬似ラベルのより広範な解釈について検討する。 これらの領域間のつながりを描くことで、カリキュラム学習や自己監督型正規化など、ある領域における進歩が他の領域に利益をもたらす可能性があるときの新しい方向を特定する。

関連論文リスト

• Reducing Labeling Costs in Sentiment Analysis via Semi-Supervised Learning [0.0]
  本研究では,半教師付き学習におけるラベル伝搬について検討する。 テキスト分類のための多様体仮定に基づいて,トランスダクティブなラベル伝搬法を用いる。 ネットワーク埋め込みから隣接グラフ内のコサイン近接に基づくラベルを拡張することにより、ラベルなしデータを教師付き学習に組み合わせる。
  論文  参考訳（メタデータ） (2024-10-15T07:25:33Z)
• Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。 私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
  論文  参考訳（メタデータ） (2023-12-02T16:23:52Z)
• Revisiting Self-Training with Regularized Pseudo-Labeling for Tabular Data [0.0]
  我々は、勾配向上決定木を含むあらゆる種類のアルゴリズムに適用可能な自己学習を再考する。 疑似ラベルの可能性に基づいて信頼度を正則化する新しい擬似ラベル手法を提案する。
  論文  参考訳（メタデータ） (2023-02-27T18:12:56Z)
• Debiased Pseudo Labeling in Self-Training [77.83549261035277]
  ディープニューラルネットワークは、大規模ラベル付きデータセットの助けを借りて、幅広いタスクで顕著なパフォーマンスを達成する。 ラベル付きデータの要求を軽減するため、ラベル付けされていないデータに擬似ラベルを付けることにより、学術と産業の両方で自己学習が広く使われている。 疑似ラベルの生成と利用を2つの独立した頭文字で分離するデバイアスドを提案する。
  論文  参考訳（メタデータ） (2022-02-15T02:14:33Z)
• GuidedMix-Net: Semi-supervised Semantic Segmentation by Using Labeled Images as Reference [90.5402652758316]
  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。 ラベル付き情報を使用して、ラベルなしのインスタンスの学習をガイドする。 競合セグメンテーションの精度を達成し、mIoUを以前のアプローチに比べて+7$%大きく改善する。
  論文  参考訳（メタデータ） (2021-12-28T06:48:03Z)
• A Histopathology Study Comparing Contrastive Semi-Supervised and Fully Supervised Learning [0.0]
  計算病理学におけるラベル付け負担を軽減するための自己教師型学習について検討する。 ImageNetの事前学習ネットワークは,Barlow Twinsを用いた自己教師型表現よりも優れていた。
  論文  参考訳（メタデータ） (2021-11-10T19:04:08Z)
• Semi-Supervised Learning using Siamese Networks [3.492636597449942]
  本研究は,シームズネットワークを用いた類似度関数学習に基づく,半教師付き学習の新しい学習方法を提案する。 ラベルのないインスタンスの信頼性予測は、シームズネットワークを再トレーニングするための真のラベルとして使用される。 ラベルのない予測を改善するため,グローバルな一貫性を備えた局所学習も評価した。
  論文  参考訳（メタデータ） (2021-09-02T09:06:35Z)
• 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)
• Streaming Self-Training via Domain-Agnostic Unlabeled Images [62.57647373581592]
  視覚認識モデル学習の過程を民主化することを目的としたストリーミング自己学習(SST)を提案する。 SSTの鍵となるのは、(1)ドメインに依存しない未ラベル画像により、追加の知識や監督なしにいくつかのラベル付き例でより良いモデルを学ぶことができ、(2)学習は継続的なプロセスであり、学習更新のスケジュールを構築することで行うことができる。
  論文  参考訳（メタデータ） (2021-04-07T17:58:39Z)
• Knowledge-Guided Multi-Label Few-Shot Learning for General Image Recognition [75.44233392355711]
  KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。 まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。 次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。 グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
  論文  参考訳（メタデータ） (2020-09-20T15:05:29Z)

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。