論文の概要: NSegment : Noisy Segment Improves Remote Sensing Image Segmentation
- arxiv url: http://arxiv.org/abs/2504.19634v1
- Date: Mon, 28 Apr 2025 09:49:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:54.386278
- Title: NSegment : Noisy Segment Improves Remote Sensing Image Segmentation
- Title（参考訳）: NSegment : ノイズセグメンテーションによるリモートセンシング画像セグメンテーションの改善
- Authors: Yechan Kim, DongHo Yoon, SooYeon Kim, Moongu Jeon,
- Abstract要約: リモートセンシング(RS)画像セグメンテーションデータセットのラベル付けエラーは、曖昧なクラス境界、混合ピクセル、影、複雑な地形の特徴、主観的アノテータバイアスのため、暗黙的かつ微妙なままであることが多い。
NSegmentは、この問題を軽減するために、シンプルだが効果的なデータ拡張ソリューションである。
従来の方法とは異なり、セグメンテーションラベルのみに弾性変換を適用し、各トレーニングエポックにおける各サンプル毎の強度を変化させて、アノテーションの不整合に対処する。
- 参考スコア（独自算出の注目度）: 10.585761836168409
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Labeling errors in remote sensing (RS) image segmentation datasets often remain implicit and subtle due to ambiguous class boundaries, mixed pixels, shadows, complex terrain features, and subjective annotator bias. Furthermore, the scarcity of annotated RS data due to high image acquisition and labeling costs complicates training noise-robust models. While sophisticated mechanisms such as label selection or noise correction might address this issue, they tend to increase training time and add implementation complexity. In this letter, we propose NSegment-a simple yet effective data augmentation solution to mitigate this issue. Unlike traditional methods, it applies elastic transformations only to segmentation labels, varying deformation intensity per sample in each training epoch to address annotation inconsistencies. Experimental results demonstrate that our approach improves the performance of RS image segmentation on various state-of-the-art models.
- Abstract（参考訳）: リモートセンシング(RS)画像セグメンテーションデータセットのラベル付けエラーは、曖昧なクラス境界、混合ピクセル、影、複雑な地形の特徴、主観的アノテータバイアスのため、暗黙的かつ微妙なままであることが多い。
さらに、高画像取得とラベリングコストによる注釈付きRSデータの不足により、トレーニングノイズ・ロバストモデルが複雑になる。
ラベルの選択やノイズ修正といった高度なメカニズムはこの問題に対処するかもしれないが、トレーニング時間を増やし、実装の複雑さを増す傾向にある。
本稿では,この問題を軽減するため,NSegment-a simple yet effective data augmentation Solutionを提案する。
従来の方法とは異なり、この手法はセグメンテーションラベルのみに弾性変換を適用し、各トレーニングエポックにおける各サンプル毎の変形強度を変化させて、アノテーションの不整合に対処する。
実験結果から,提案手法は各種最先端モデルにおけるRS画像分割の性能を向上することが示された。
関連論文リスト
- Adaptive Noise-Tolerant Network for Image Segmentation [1.57731592348751]
そこで本研究では,非完全・ノイズセグメンテーションとオフザシェルフセグメンテーションアルゴリズムを組み合わせることで,適応型ノイズ耐性ネットワーク(ANTN)モデルにより,より優れたセグメンテーション結果が得られるかどうかを考察する。
1)複数のノイズラベルを1つのディープラーニングモデルに統合できる,(2)確率的パラメータを含む雑音分割モデリングは、与えられたテスト画像の外観に応じて適応する,という2つの新しい側面で、ノイズラベルのディープラーニングを画像セグメンテーションに拡張する。
論文 参考訳（メタデータ） (2025-01-13T09:49:34Z) - Focusing Image Generation to Mitigate Spurious Correlations [13.225738145621843]
画像のインスタンスの特徴は背景の特徴と急激な相関を示し、ディープニューラル分類器の訓練プロセスに影響を与える。
本稿では,画像生成モデルを用いてスプリアス相関を緩和するSpurious correlations Guided Synthesis (SCGS) というデータ拡張手法を提案する。
論文 参考訳（メタデータ） (2024-12-27T04:48:56Z) - Consistency Regularisation in Varying Contexts and Feature Perturbations
for Semi-Supervised Semantic Segmentation of Histology Images [14.005379068469361]
この課題を軽減するために,一貫性に基づく半教師付き学習(SSL)アプローチを提案する。
SSLモデルは、コンテキストの変更や、限られたトレーニングデータのために一般化が不十分な特徴の摂動にも影響する可能性がある。
相互整合性トレーニングにより、エンコーダの特徴が異なる摂動に不変となり、予測信頼性が向上することを示す。
論文 参考訳（メタデータ） (2023-01-30T18:21:57Z) - Learning to Annotate Part Segmentation with Gradient Matching [58.100715754135685]
本稿では,事前学習したGANを用いて,高品質な画像を生成することで,半教師付き部分分割タスクに対処することに焦点を当てる。
特に、アノテータ学習を学習から学習までの問題として定式化する。
提案手法は,実画像,生成された画像,さらには解析的に描画された画像を含む,幅広いラベル付き画像からアノテータを学習可能であることを示す。
論文 参考訳（メタデータ） (2022-11-06T01:29:22Z) - Learning Self-Supervised Low-Rank Network for Single-Stage Weakly and
Semi-Supervised Semantic Segmentation [119.009033745244]
本稿では,単一段階弱教師付きセマンティックセマンティックセマンティックセマンティクス(WSSS)と半教師付きセマンティクスセマンティクスセマンティクス(SSSS)のための自己教師付き低ランクネットワーク(SLRNet)を提案する。
SLRNetは、画像の異なるビューから複数の注意深いLR表現を同時に予測し、正確な擬似ラベルを学習する。
Pascal VOC 2012、COCO、L2IDデータセットの実験では、SLRNetは最先端のWSSSメソッドとSSSSメソッドの両方で、さまざまな設定で優れています。
論文 参考訳（メタデータ） (2022-03-19T09:19:55Z) - POPCORN: Progressive Pseudo-labeling with Consistency Regularization and
Neighboring [3.4253416336476246]
半教師付き学習(SSL)では、ラベルのないデータを使用して、画像の不足と、未確認領域へのメソッドの一般化の欠如を補う。
画像分割のための整合正則化と擬似ラベル化を組み合わせた新しい手法POPCORNを提案する。
論文 参考訳（メタデータ） (2021-09-13T23:36:36Z) - Learning from Partially Overlapping Labels: Image Segmentation under
Annotation Shift [68.6874404805223]
腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。
半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
論文 参考訳（メタデータ） (2021-07-13T09:22:24Z) - Semi-supervised Semantic Segmentation with Directional Context-aware
Consistency [66.49995436833667]
我々は、ラベル付きデータの小さなセットに、全くラベル付けされていない画像のより大きなコレクションを提供する半教師付きセグメンテーション問題に焦点をあてる。
好ましいハイレベル表現は、自己認識を失わずにコンテキスト情報をキャプチャするべきである。
我々は,DCロス(Directional Contrastive Loss)を画素対ピクセルの整合性を達成するために提示する。
論文 参考訳（メタデータ） (2021-06-27T03:42:40Z) - Synergy Between Semantic Segmentation and Image Denoising via Alternate
Boosting [102.19116213923614]
ノイズ除去とセグメンテーションを交互に行うためのブーストネットワークを提案する。
我々は,ノイズによるセグメンテーション精度の低下に対処するだけでなく,画素別意味情報によってデノージング能力が向上することを示す。
実験の結果,デノイド画像の品質が大幅に向上し,セグメンテーション精度がクリーン画像に近いことを示した。
論文 参考訳（メタデータ） (2021-02-24T06:48:45Z) - A Few Guidelines for Incremental Few-Shot Segmentation [57.34237650765928]
事前訓練されたセグメンテーションモデルと、新しいクラスを含む画像が少ないことを前提として、我々が目指すのは、以前に見たセグメンテーション能力を維持しながら、新しいクラスをセグメンテーションすることである。
このシナリオにおけるエンド・ツー・エンドのトレーニングの主な問題はどのようなものかを示します。
一 バッチ正規化統計を、バッチ正規化で修正できる新しいクラスへ向けての漂流すること。
二 旧クラスの忘れ物 正規化戦略で解決できるもの。
論文 参考訳（メタデータ） (2020-11-30T20:45:56Z)
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。