論文の概要: Uncertainty and Energy based Loss Guided Semi-Supervised Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2501.01640v1
• Date: Fri, 03 Jan 2025 05:18:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-06 15:11:40.899590
• Title: Uncertainty and Energy based Loss Guided Semi-Supervised Semantic Segmentation
• Title（参考訳）: 不確実性とエネルギーに基づく半監督セマンティックセマンティックセグメンテーション
• Authors: Rini Smita Thakur, Vinod K. Kurmi,
• Abstract要約: 半教師付きセマンティックセグメンテーション(SS)はラベル付き画像とラベルなし画像の両方を利用して、退屈で高価なピクセルレベルのアノテーション問題を克服する。 この研究は、交叉ユニオン擬教師付きネットワークにおけるアレータリックまたはデータ不確実性とエネルギーベースモデリングを用いる。
• 参考スコア（独自算出の注目度）: 1.5269945475810085
• License:
• Abstract: Semi-supervised (SS) semantic segmentation exploits both labeled and unlabeled images to overcome tedious and costly pixel-level annotation problems. Pseudolabel supervision is one of the core approaches of training networks with both pseudo labels and ground-truth labels. This work uses aleatoric or data uncertainty and energy based modeling in intersection-union pseudo supervised network.The aleatoric uncertainty is modeling the inherent noise variations of the data in a network with two predictive branches. The per-pixel variance parameter obtained from the network gives a quantitative idea about the data uncertainty. Moreover, energy-based loss realizes the potential of generative modeling on the downstream SS segmentation task. The aleatoric and energy loss are applied in conjunction with pseudo-intersection labels, pseudo-union labels, and ground-truth on the respective network branch. The comparative analysis with state-of-the-art methods has shown improvement in performance metrics.
• Abstract（参考訳）: 半教師付きセマンティックセグメンテーション(SS)はラベル付き画像とラベルなし画像の両方を利用して、退屈で高価なピクセルレベルのアノテーション問題を克服する。 Pseudolabel監督は、擬似ラベルと接地真実ラベルの両方を持つトレーニングネットワークのコアアプローチの1つである。 この研究は、交差ユニオン擬似教師ネットワークにおけるアレータリックまたはデータ不確かさとエネルギーベースモデリングを用いており、このアレータリック不確実性は、2つの予測分岐を持つネットワーク内のデータ固有のノイズ変動をモデル化することである。 ネットワークから得られる画素ごとの分散パラメータは、データの不確実性に関する定量的な考えを与える。 さらに、エネルギーに基づく損失は、下流SSセグメンテーションタスクにおける生成モデルの可能性を実現する。 各ネットワークブランチ上で、擬似断面積ラベル、擬似対数ラベル、接地トラスと併用して、アレータリック及びエネルギー損失を印加する。 最先端手法との比較分析では, 性能指標の改善が見られた。

関連論文リスト

• SemSim: Revisiting Weak-to-Strong Consistency from a Semantic Similarity Perspective for Semi-supervised Medical Image Segmentation [18.223854197580145]
  医用画像分割のための半教師付き学習(SSL)は難しいが、非常に実践的な課題である。 セムシム(SemSim)という名前のFixMatchに基づく新しいフレームワークを提案する。 SemSimは3つの公開セグメンテーションベンチマークで最先端の手法よりも一貫した改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-10-17T12:31:37Z)
• Distribution Consistency based Self-Training for Graph Neural Networks with Sparse Labels [33.89511660654271]
  グラフニューラルネットワーク(GNN)のノード分類は重要な課題である ラベルなしデータの豊富さを活用するための、広く普及しているフレームワークとして、セルフトレーニングが登場した。 本稿では,情報的かつ分散の相違を認識可能な疑似ラベル付きノードを識別する,新しい分散一貫性グラフ自己学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-18T22:07:48Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Semi-Supervised Semantic Segmentation With Region Relevance [28.92449538610617]
  半教師付きセマンティックセグメンテーションは、少数のラベル付きデータと多くのラベルなしデータから学ぶことを目的としている。 最も一般的なアプローチは、トレーニングデータを増やすためにラベルのない画像のための擬似ラベルを生成することである。 本稿では、上記の問題を緩和する地域関連ネットワーク(RRN)を提案する。
  論文  参考訳（メタデータ） (2023-04-23T04:51:27Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Semi-Supervised Semantic Segmentation with Cross Pseudo Supervision [56.950950382415925]
  クロス擬似監督(CPS)と呼ばれる新しい整合性正規化手法を提案する。 CPS整合性には2つの役割がある: 同じ入力画像に対する2つの摂動ネットワークの予測間の高い類似性を奨励し、擬似ラベル付きラベル付きラベル付きデータを使用することでトレーニングデータを拡張する。 実験の結果,Cityscapes と PASCAL VOC 2012 を用いた半教師付きセグメンテーション性能が得られた。
  論文  参考訳（メタデータ） (2021-06-02T15:21:56Z)
• Co-matching: Combating Noisy Labels by Augmentation Anchoring [2.0349696181833337]
  拡張アンカーによる2つのネットワーク間の整合性と発散のバランスをとる学習アルゴリズムであるCo-matchingを提案する。 3つのベンチマークデータセットの実験は、コマッチングが最先端のメソッドに匹敵する結果を達成することを実証している。
  論文  参考訳（メタデータ） (2021-03-23T20:00:13Z)
• Provable Generalization of SGD-trained Neural Networks of Any Width in the Presence of Adversarial Label Noise [85.59576523297568]
  勾配降下法により学習した任意の幅の1層リークReLUネットワークを考察する。 sgdは,分布上の最良半空間に匹敵する分類精度を持つニューラルネットワークを生成できることを実証する。
  論文  参考訳（メタデータ） (2021-01-04T18:32:49Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)
• Improving Face Recognition by Clustering Unlabeled Faces in the Wild [77.48677160252198]
  極値理論に基づく新しいアイデンティティ分離法を提案する。 重なり合うラベルノイズによる問題を大幅に低減する。 制御された設定と実際の設定の両方の実験は、我々のメソッドの一貫性のある改善を示している。
  論文  参考訳（メタデータ） (2020-07-14T12:26:50Z)

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。