論文の概要: Completely Weakly Supervised Class-Incremental Learning for Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2505.10781v1
• Date: Fri, 16 May 2025 01:43:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:13.864994
• Title: Completely Weakly Supervised Class-Incremental Learning for Semantic Segmentation
• Title（参考訳）: セマンティックセグメンテーションのための全弱教師付きクラスインクリメンタルラーニング
• Authors: David Minkwan Kim, Soeun Lee, Byeongkeun Kang,
• Abstract要約: 本研究は,セマンティックセグメンテーションのためのクラスインクリメンタル学習の完全弱化という課題に対処する。 そこで本研究では,ローカライザからの擬似ラベルと基礎モデルのシーケンスを組み合わせることで,ロバストな擬似ラベルを生成することを提案する。 また,従来のクラスと新しいクラスの両方を含む多様なイメージをガイダンスで生成する,先進的なデータ拡張手法も導入する。
• 参考スコア（独自算出の注目度）: 2.7855886538423182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work addresses the task of completely weakly supervised class-incremental learning for semantic segmentation to learn segmentation for both base and additional novel classes using only image-level labels. While class-incremental semantic segmentation (CISS) is crucial for handling diverse and newly emerging objects in the real world, traditional CISS methods require expensive pixel-level annotations for training. To overcome this limitation, partially weakly-supervised approaches have recently been proposed. However, to the best of our knowledge, this is the first work to introduce a completely weakly-supervised method for CISS. To achieve this, we propose to generate robust pseudo-labels by combining pseudo-labels from a localizer and a sequence of foundation models based on their uncertainty. Moreover, to mitigate catastrophic forgetting, we introduce an exemplar-guided data augmentation method that generates diverse images containing both previous and novel classes with guidance. Finally, we conduct experiments in three common experimental settings: 15-5 VOC, 10-10 VOC, and COCO-to-VOC, and in two scenarios: disjoint and overlap. The experimental results demonstrate that our completely weakly supervised method outperforms even partially weakly supervised methods in the 15-5 VOC and 10-10 VOC settings while achieving competitive accuracy in the COCO-to-VOC setting.
• Abstract（参考訳）: 本研究は, 画像レベルラベルのみを用いて, セグメンテーションと新規クラスの両方のセグメンテーションを学習するためのセグメンテーションのための, 完全に教師付きクラスインクリメンタル学習の課題に対処する。 クラスインクリメンタルセマンティックセグメンテーション(CISS)は、多種多様な新しいオブジェクトを現実世界で扱うのに不可欠であるが、従来のCISS手法では、トレーニングに高価なピクセルレベルのアノテーションを必要とする。 この制限を克服するために、最近部分的に弱められたアプローチが提案されている。 しかし、私たちの知る限りでは、これはCISSに完全に弱めに監督された手法を導入する最初の試みである。 そこで本研究では,ローカライザからの擬似ラベルと,その不確実性に基づいた基礎モデルのシーケンスを組み合わせることで,ロバストな擬似ラベルを生成することを提案する。 さらに,破滅的な忘れを緩和するために,従来のクラスと新しいクラスの両方を含む多様なイメージをガイダンスで生成する,模範的なガイダンス付きデータ拡張手法を導入する。 最後に,15～5VOC,10～10VOC,COCO-to-VOCの3つの実験シナリオで実験を行った。 その結果、15-5VOOCと10-10VOOC設定では,COCO-VOC設定では競合精度を達成しつつ,完全弱教師付き手法が部分的に優れていた。

関連論文リスト

• Conflict-Based Cross-View Consistency for Semi-Supervised Semantic Segmentation [34.97083511196799]
  半教師付きセマンティックセグメンテーション(SSS)は近年研究の関心が高まっている。 現在の手法は、しばしば擬似ラベリングプロセスの確証バイアスに悩まされる。 本稿では,2分岐協調学習フレームワークに基づく新しいコンフリクトベースクロスビュー整合性(CCVC)手法を提案する。
  論文  参考訳（メタデータ） (2023-03-02T14:02:16Z)
• PromptCAL: Contrastive Affinity Learning via Auxiliary Prompts for Generalized Novel Category Discovery [39.03732147384566]
  Generalized Novel Category Discovery (GNCD) 設定は、既知のクラスや新しいクラスから来るラベルなしのトレーニングデータを分類することを目的としている。 本稿では,この課題に対処するために,PromptCALと呼ばれる補助視覚プロンプトを用いたコントラスト親和性学習法を提案する。 提案手法は,クラストークンと視覚的プロンプトのための既知のクラスと新しいクラスのセマンティッククラスタリングを改善するために,信頼性の高いペアワイズサンプル親和性を発見する。
  論文  参考訳（メタデータ） (2022-12-11T20:06:14Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• UCC: Uncertainty guided Cross-head Co-training for Semi-Supervised Semantic Segmentation [2.6324267940354655]
  半教師付きセマンティックセグメンテーションのための新しい学習フレームワークUncertainty Guided Cross-head Co-training(UCC)を提案する。 当社のフレームワークでは,共有エンコーダ内の弱体化と強体化を導入して,一貫性と自己学習のメリットを自然に組み合わせたコトレーニングを実現している。 我々の手法は、最先端の半教師付きセマンティックセグメンテーション法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2022-05-20T17:43:47Z)
• Adaptive Affinity Loss and Erroneous Pseudo-Label Refinement for Weakly Supervised Semantic Segmentation [48.294903659573585]
  本稿では,多段階アプローチの親和性学習を単一段階モデルに組み込むことを提案する。 深層ニューラルネットワークは、トレーニングフェーズで包括的なセマンティック情報を提供するために使用される。 提案手法の有効性を評価するため,PASCAL VOC 2012データセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2021-08-03T07:48:33Z)
• A Simple Baseline for Semi-supervised Semantic Segmentation with Strong Data Augmentation [74.8791451327354]
  セマンティックセグメンテーションのためのシンプルで効果的な半教師付き学習フレームワークを提案する。 単純な設計とトレーニングのテクニックのセットは、半教師付きセマンティックセグメンテーションの性能を大幅に向上させることができる。 本手法は,Cityscapes と Pascal VOC データセットの半教師付き設定において,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2021-04-15T06:01:39Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
  2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。 まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。 第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2021-01-20T11:48:12Z)

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。