論文の概要: Pseudo-Label Quality Decoupling and Correction for Semi-Supervised Instance Segmentation

• arxiv url: http://arxiv.org/abs/2505.11075v1
• Date: Fri, 16 May 2025 10:07:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:14.582629
• Title: Pseudo-Label Quality Decoupling and Correction for Semi-Supervised Instance Segmentation
• Title（参考訳）: 半改良インスタンスセグメンテーションにおける擬似ラベル品質デカップリングと補正
• Authors: Jianghang Lin, Yilin Lu, Yunhang Shen, Chaoyang Zhu, Shengchuan Zhang, Liujuan Cao, Rongrong Ji,
• Abstract要約: Semi-Supervised Instance (SSIS)は、画像ピクセルを別個のオブジェクトインスタンスに分類し、グループ化する。 この学習パラダイムは、通常、インスタンスカテゴリやピクセルマスクのノイズの多い擬似ラベルによって生じる不安定なパフォーマンスの重大な課題に直面します。 上記の課題に対処するために, PseudoLabel Quality Decoupling and Correction (PL-DC) フレームワークを新たに導入する。
• 参考スコア（独自算出の注目度）: 62.55963720723179
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-Supervised Instance Segmentation (SSIS) involves classifying and grouping image pixels into distinct object instances using limited labeled data. This learning paradigm usually faces a significant challenge of unstable performance caused by noisy pseudo-labels of instance categories and pixel masks. We find that the prevalent practice of filtering instance pseudo-labels assessing both class and mask quality with a single score threshold, frequently leads to compromises in the trade-off between the qualities of class and mask labels. In this paper, we introduce a novel Pseudo-Label Quality Decoupling and Correction (PL-DC) framework for SSIS to tackle the above challenges. Firstly, at the instance level, a decoupled dual-threshold filtering mechanism is designed to decouple class and mask quality estimations for instance-level pseudo-labels, thereby independently controlling pixel classifying and grouping qualities. Secondly, at the category level, we introduce a dynamic instance category correction module to dynamically correct the pseudo-labels of instance categories, effectively alleviating category confusion. Lastly, we introduce a pixel-level mask uncertainty-aware mechanism at the pixel level to re-weight the mask loss for different pixels, thereby reducing the impact of noise introduced by pixel-level mask pseudo-labels. Extensive experiments on the COCO and Cityscapes datasets demonstrate that the proposed PL-DC achieves significant performance improvements, setting new state-of-the-art results for SSIS. Notably, our PL-DC shows substantial gains even with minimal labeled data, achieving an improvement of +11.6 mAP with just 1% COCO labeled data and +15.5 mAP with 5% Cityscapes labeled data. The code will be public.
• Abstract（参考訳）: Semi-Supervised Instance Segmentation (SSIS)は、限られたラベル付きデータを使用して画像ピクセルを別々のオブジェクトインスタンスに分類し、グループ化する。 この学習パラダイムは、通常、インスタンスカテゴリやピクセルマスクのノイズの多い擬似ラベルによって生じる不安定なパフォーマンスの重大な課題に直面します。 その結果, クラスとマスクの両品質を単一のスコア閾値で評価する手法が一般的であり, クラスとマスクのラベルの質のトレードオフにおいて, しばしば妥協が生じることがわかった。 本稿では,これらの課題に対処するために,SSIS のための Pseudo-Label Quality Decoupling and Correction (PL-DC) フレームワークを提案する。 まず、インスタンスレベルでは、分離された二重閾値フィルタリング機構は、インスタンスレベルの擬似ラベルのクラスとマスクの品質推定を分離し、ピクセルの分類とグループ化の質を独立に制御するように設計されている。 第2に、カテゴリレベルでは、インスタンスカテゴリの擬似ラベルを動的に補正する動的インスタンスカテゴリ補正モジュールを導入し、カテゴリの混乱を効果的に緩和する。 最後に,画素レベルでのマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスにおけるマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマスマス。 COCOデータセットとCityscapesデータセットに関する大規模な実験は、提案されたPL-DCが大幅なパフォーマンス向上を実現し、SSISの最先端結果が新たに設定されたことを示している。 特に, PL-DCでは, 最小ラベル付きデータにおいても, +11.6 mAP, 1% COCOラベル付きデータ+15.5 mAP, 5% Cityscapesラベル付きデータ+15.5 mAPの改善が達成されている。 コードは公開されます。

関連論文リスト

• Label Filling via Mixed Supervision for Medical Image Segmentation from Noisy Annotations [22.910649758574852]
  本稿では,LF-Net と呼ばれるシンプルで効果的なラベルフィリングフレームワークを提案する。 トレーニング中にノイズの多いアノテーションのみを付与した、基礎的なセグメンテーションラベルを予測する。 5つのデータセットの結果から、LF-Netは最先端の手法と比較して、すべてのデータセットのセグメンテーション精度を向上することが示された。
  論文  参考訳（メタデータ） (2024-10-21T14:36:36Z)
• HPL-ESS: Hybrid Pseudo-Labeling for Unsupervised Event-based Semantic Segmentation [47.271784693700845]
  本稿では,教師なしイベントベースセマンティックセマンティックセグメンテーション(HPL-ESS)のためのハイブリッド擬似ラベルフレームワークを提案する。 提案手法は,DSEC-Semanticデータセットにおいて,既存の最先端手法よりも高い性能を示す。
  論文  参考訳（メタデータ） (2024-03-25T14:02:33Z)
• Pseudo-label Alignment for Semi-supervised Instance Segmentation [67.9616087910363]
  擬似ラベルは半教師付きインスタンスセグメンテーションにおいて重要である。 既存のパイプラインでは、クラスやマスクの品質のミスマッチにより、貴重な情報を含む擬似ラベルをフィルタリングすることができる。 本稿では,疑似ラベル整合インスタンスセグメンテーション(PAIS)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-10T05:56:53Z)
• Pointly-Supervised Panoptic Segmentation [106.68888377104886]
  弱教師付き単眼セグメンテーションにポイントレベルのアノテーションを適用するための新しい手法を提案する。 完全に教師された方法で使用される高密度のピクセルレベルラベルの代わりに、ポイントレベルラベルは、監督対象ごとに単一のポイントしか提供しない。 我々は、ポイントレベルのラベルから同時に汎視的擬似マスクを生成し、それらから学習することで、エンドツーエンドのフレームワークにおける問題を定式化する。
  論文  参考訳（メタデータ） (2022-10-25T12:03:51Z)
• Dual-Perspective Semantic-Aware Representation Blending for Multi-Label Image Recognition with Partial Labels [70.36722026729859]
  本稿では,多粒度カテゴリ固有の意味表現を異なる画像にブレンドした,二重パースペクティブな意味認識表現ブレンディング(DSRB)を提案する。 提案したDSは、すべての比率ラベル設定において、最先端のアルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2022-05-26T00:33:44Z)
• Scene Clustering Based Pseudo-labeling Strategy for Multi-modal Aerial View Object Classification [22.4510980822444]
  微細なデータ、クラス不均衡、および様々な撮影条件は、一般的な画像分類の表現能力を妨げる。 これらの特性を利用して、シーンクラスタリングに基づく擬似ラベル戦略(SCP-Label)を提案する。 SCP-Labelは、同じシーン内のオブジェクトに同じラベルを割り当てることによって、より精度を高める。
  論文  参考訳（メタデータ） (2022-05-04T07:13:01Z)
• Threshold Matters in WSSS: Manipulating the Activation for the Robust and Accurate Segmentation Model Against Thresholds [16.6833745997519]
  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)は、画像レベルのラベルだけでセマンティクスモデルをトレーニングするという約束により、最近注目を集めている。 既存のWSSSメソッドは一般的に、CAMのスパースカバレッジがWSSSのパフォーマンスボトルネックを引き起こすと主張している。 本稿は, 実際のボトルネックはスパースカバレッジではなく, CAM後に適用されたグローバルしきい値決定方式である,という分析的および実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2022-03-30T04:26:14Z)
• LabOR: Labeling Only if Required for Domain Adaptive Semantic Segmentation [79.96052264984469]
  本稿では,UDAモデルが不確実な点に対して,少ないラベルを適応的に付与する手法を提案する。 作業コストを最小化しつつ、ドメイン適応型セマンティックセマンティックセマンティクスのための新しいフレームワークの利点を示す。
  論文  参考訳（メタデータ） (2021-08-12T07:35:40Z)
• Causal Intervention for Weakly-Supervised Semantic Segmentation [122.1846968696862]
  画像レベルのラベルのみを用いて、より優れたピクセルレベルの擬似マスクを生成することを目指している。 画像,コンテキスト,およびクラスラベル間の因果関係を分析するための構造因果モデルを提案する。 そこで本研究では,画像レベルの分類において,矛盾するバイアスを取り除くためのコンテキスト調整(CONTA)手法を提案する。
  論文  参考訳（メタデータ） (2020-09-26T09:26:29Z)

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。