論文の概要: Feedback-Driven Pseudo-Label Reliability Assessment: Redefining Thresholding for Semi-Supervised Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2505.07691v1
• Date: Mon, 12 May 2025 15:58:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.470906
• Title: Feedback-Driven Pseudo-Label Reliability Assessment: Redefining Thresholding for Semi-Supervised Semantic Segmentation
• Title（参考訳）: フィードバック駆動型擬似ラベル信頼性評価:半監督セマンティックセグメンテーションにおける閾値の再定義
• Authors: Negin Ghamsarian, Sahar Nasirihaghighi, Klaus Schoeffmann, Raphael Sznitman,
• Abstract要約: 擬似スーパービジョンの一般的な実践は、事前に定義された信頼しきい値やエントロピーに基づいて擬似ラベルをフィルタリングすることである。 疑似ラベル選択のための動的フィードバック駆動しきい値決定手法であるEnsemble-of-Confidence Reinforcement (ENCORE)を提案する。 提案手法は,既存の擬似スーパービジョンフレームワークにシームレスに統合され,セグメンテーション性能が大幅に向上する。
• 参考スコア（独自算出の注目度）: 5.7977777220041204
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semi-supervised learning leverages unlabeled data to enhance model performance, addressing the limitations of fully supervised approaches. Among its strategies, pseudo-supervision has proven highly effective, typically relying on one or multiple teacher networks to refine pseudo-labels before training a student network. A common practice in pseudo-supervision is filtering pseudo-labels based on pre-defined confidence thresholds or entropy. However, selecting optimal thresholds requires large labeled datasets, which are often scarce in real-world semi-supervised scenarios. To overcome this challenge, we propose Ensemble-of-Confidence Reinforcement (ENCORE), a dynamic feedback-driven thresholding strategy for pseudo-label selection. Instead of relying on static confidence thresholds, ENCORE estimates class-wise true-positive confidence within the unlabeled dataset and continuously adjusts thresholds based on the model's response to different levels of pseudo-label filtering. This feedback-driven mechanism ensures the retention of informative pseudo-labels while filtering unreliable ones, enhancing model training without manual threshold tuning. Our method seamlessly integrates into existing pseudo-supervision frameworks and significantly improves segmentation performance, particularly in data-scarce conditions. Extensive experiments demonstrate that integrating ENCORE with existing pseudo-supervision frameworks enhances performance across multiple datasets and network architectures, validating its effectiveness in semi-supervised learning.
• Abstract（参考訳）: 半教師付き学習はラベルのないデータを活用してモデル性能を高め、完全な教師付きアプローチの限界に対処する。 その戦略の中で、擬似スーパービジョンは、学生ネットワークを訓練する前に擬似ラベルを洗練させるために、1つまたは複数の教師ネットワークに頼り、非常に効果的であることが証明されている。 擬似スーパービジョンの一般的な実践は、事前に定義された信頼しきい値やエントロピーに基づいて擬似ラベルをフィルタリングすることである。 しかし、最適なしきい値を選択するには大きなラベル付きデータセットが必要である。 この課題を克服するために,疑似ラベル選択のための動的フィードバック駆動しきい値決定手法であるEnsemble-of-Confidence Reinforcement (ENCORE)を提案する。 ENCOREは静的な信頼しきい値に頼る代わりに、ラベルなしデータセット内のクラスワイド真正の信頼度を推定し、異なるレベルの擬似ラベルフィルタリングに対するモデルの応答に基づいてしきい値を継続的に調整する。 このフィードバック駆動機構により、信頼できないものをフィルタリングしながら情報的擬似ラベルの保持が保証され、手動しきい値調整なしでモデルのトレーニングが向上する。 提案手法は,既存の擬似スーパービジョンフレームワークにシームレスに統合され,特にデータスカース条件下でのセグメンテーション性能が著しく向上する。 大規模な実験では、ENCOREと既存の擬似スーパービジョンフレームワークを統合することで、複数のデータセットやネットワークアーキテクチャのパフォーマンスが向上し、半教師付き学習の有効性が検証される。

関連論文リスト

• Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
  半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。 半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。 本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
  論文  参考訳（メタデータ） (2024-07-26T09:33:53Z)
• ACTRESS: Active Retraining for Semi-supervised Visual Grounding [52.08834188447851]
  前回の研究であるRefTeacherは、疑似自信と注意に基づく監督を提供するために教師学生の枠組みを採用することで、この課題に取り組むための最初の試みである。 このアプローチは、Transformerベースのパイプラインに従う現在の最先端のビジュアルグラウンドモデルと互換性がない。 本稿では, ACTRESS を略したセミスーパービジョン視覚グラウンドのためのアクティブ・リトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-03T16:33:31Z)
• CAST: Cluster-Aware Self-Training for Tabular Data via Reliable Confidence [0.4999814847776098]
  自己学習は、誤った自信によって引き起こされるノイズの多い擬似ラベルに対して脆弱である。 CAST(Cluster-Aware Self-Training)は、既存の自己学習アルゴリズムを無視可能なコストで強化する。
  論文  参考訳（メタデータ） (2023-10-10T07:46:54Z)
• Realistic Unsupervised CLIP Fine-tuning with Universal Entropy Optimization [101.08992036691673]
  本稿では,未知のクラスにおける配布外サンプルの存在を考慮し,教師なしの微調整シナリオについて考察する。 特に,分布外検出と既知のクラスに関連するインスタンスの認識を同時に強化することに注力する。 我々はUniversal Entropy Optimization(UEO)と呼ばれるシンプルで効率的で効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-24T16:47:17Z)
• Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification [80.98291772215154]
  教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。 近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。 本稿では, Pseudo Label Refinement フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-30T09:39:57Z)
• Self-Contrastive Learning based Semi-Supervised Radio Modulation Classification [6.089994098441994]
  本稿では,自動変調分類(AMC)のための半教師付き学習フレームワークを提案する。 自己教師付きコントラスト学習事前学習ステップを用いてラベル付き信号データを慎重に利用することにより,少ないラベル付きデータに対して高い性能を実現する。 公開データセットを用いた半教師付きフレームワークの性能評価を行った。
  論文  参考訳（メタデータ） (2022-03-29T22:21:14Z)
• Contrastive Regularization for Semi-Supervised Learning [46.020125061295886]
  そこで本稿では, ラベルのないデータの特徴量により, 整合正則化の効率性と精度を両立させるために, 対照的な正則化を提案する。 また,提案手法は,ラベルなしデータに分布しないサンプルを含むオープンセット半教師付き学習において,頑健な性能を示す。
  論文  参考訳（メタデータ） (2022-01-17T07:20:11Z)
• STEdge: Self-training Edge Detection with Multi-layer Teaching and Regularization [15.579360385857129]
  大規模未ラベル画像データセットの未使用富を活用した自己学習エッジ検出の課題について検討する。 マルチレイヤの正規化と自己学習を併用した自己教師型フレームワークを設計する。 本手法は,未確認のBIPEDデータセットを用いて,ODSが4.8%,OISが5.8%向上した。
  論文  参考訳（メタデータ） (2022-01-13T18:26:36Z)

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。