論文の概要: Federated Unsupervised Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2505.23292v1
• Date: Thu, 29 May 2025 09:43:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.795315
• Title: Federated Unsupervised Semantic Segmentation
• Title（参考訳）: フェデレートされた教師なしセマンティックセマンティックセマンティックセグメンテーション
• Authors: Evangelos Charalampakis, Vasileios Mygdalis, Ioannis Pitas,
• Abstract要約: 本研究は,教師なしセマンティックイメージ(USS)におけるフェデレートラーニング(FL)の適用について検討する。 FUSSは、完全に分散化されたラベルなしセマンティックセグメンテーショントレーニングを可能にする最初のフレームワークである。 バイナリとマルチクラスのセグメンテーションタスクを含む、ベンチマークと実世界のデータセットの両方の実験は、FUSSがローカルのみのクライアントトレーニングを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 14.64737842208937
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work explores the application of Federated Learning (FL) in Unsupervised Semantic image Segmentation (USS). Recent USS methods extract pixel-level features using frozen visual foundation models and refine them through self-supervised objectives that encourage semantic grouping. These features are then grouped to semantic clusters to produce segmentation masks. Extending these ideas to federated settings requires feature representation and cluster centroid alignment across distributed clients -- an inherently difficult task under heterogeneous data distributions in the absence of supervision. To address this, we propose FUSS Federated Unsupervised image Semantic Segmentation) which is, to our knowledge, the first framework to enable fully decentralized, label-free semantic segmentation training. FUSS introduces novel federation strategies that promote global consistency in feature and prototype space, jointly optimizing local segmentation heads and shared semantic centroids. Experiments on both benchmark and real-world datasets, including binary and multi-class segmentation tasks, show that FUSS consistently outperforms local-only client trainings as well as extensions of classical FL algorithms under varying client data distributions. To support reproducibility, full code will be released upon manuscript acceptance.
• Abstract（参考訳）: 本研究では,非教師付きセマンティックイメージセグメンテーション(USS)におけるフェデレートラーニング(FL)の適用について検討する。 近年のUSS法では, 凍結した視覚基盤モデルを用いて画素レベルの特徴を抽出し, セマンティックグルーピングを促進する自己教師対象により精査している。 これらの機能はセグメンテーションマスクを生成するためにセグメンテーションクラスタにグループ化される。 これらのアイデアをフェデレートされた設定に拡張するには、分散クライアント間の機能表現とクラスタセントロイドアライメントが必要です。 これを解決するために、我々はFUSSフェデレート・アン教師付き画像セマンティックセマンティックセマンティクス(Federated Unsupervised image Semantic Segmentation)を提案する。 FUSSは、特徴空間とプロトタイプ空間におけるグローバルな一貫性を促進する新しいフェデレーション戦略を導入し、ローカルセグメンテーションヘッドと共有セマンティックセントロイドを共同で最適化する。 バイナリとマルチクラスのセグメンテーションタスクを含む、ベンチマークと実世界のデータセットの実験では、FUSSは、ローカルのみのクライアントトレーニングと、さまざまなクライアントデータ分散の下での古典的なFLアルゴリズムの拡張を一貫して上回っている。 再現性をサポートするため、完全なコードは原稿の受理時にリリースされる。

関連論文リスト

• Federated Contrastive Learning for Personalized Semantic Communication [55.46383524190467]
  我々は,パーソナライズされたセマンティックコミュニケーションを支援することを目的とした,協調型コントラスト学習フレームワークを設計する。 FedCLは、複数のクライアントにわたるローカルセマンティックエンコーダと、基地局が所有するグローバルセマンティックデコーダの協調トレーニングを可能にする。 分散クライアント間の異種データセットから生じるセマンティック不均衡問題に対処するために,コントラスト学習を用いてセマンティックセントロイドジェネレータを訓練する。
  論文  参考訳（メタデータ） (2024-06-13T14:45:35Z)
• FedCCL: Federated Dual-Clustered Feature Contrast Under Domain Heterogeneity [43.71967577443732]
  フェデレートラーニング(FL)は、エッジクライアントと中央サーバとのコラボレーションを通じて、プライバシ保護のニューラルネットワークトレーニングパラダイムを促進する。 最近の研究は、単に正規化の形式として平均的な信号を使い、これらの非IID課題の1つの側面にのみ焦点をあてることに限られている。 マルチクラスタ機能を持つコントラストベースのFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-14T13:56:30Z)
• OMH: Structured Sparsity via Optimally Matched Hierarchy for Unsupervised Semantic Segmentation [69.37484603556307]
  Un Semantic segmenting (USS)は、事前に定義されたラベルに頼ることなく、イメージをセグメント化する。 上記の問題を同時に解決するために,OMH (Optimally Matched Hierarchy) という新しいアプローチを導入する。 我々のOMHは既存のUSS法と比較して教師なしセグメンテーション性能がよい。
  論文  参考訳（メタデータ） (2024-03-11T09:46:41Z)
• Unifying and Personalizing Weakly-supervised Federated Medical Image Segmentation via Adaptive Representation and Aggregation [1.121358474059223]
  フェデレートラーニング(FL)は、データプライバシとセキュリティを損なうことなく、複数のサイトが協力して強力なディープモデルをトレーニングすることを可能にする。 微粒な監督を施した弱く監督されたセグメンテーションは、アノテーションコストを下げる大きな可能性を秘めているため、ますます注目されている。 医用画像セグメンテーションのための新しいFLフレームワークであるFedICRAを提案する。
  論文  参考訳（メタデータ） (2023-04-12T06:32:08Z)
• Efficient Distribution Similarity Identification in Clustered Federated Learning via Principal Angles Between Client Data Subspaces [59.33965805898736]
  クラスタ学習は、クライアントをクラスタにグループ化することで、有望な結果をもたらすことが示されている。 既存のFLアルゴリズムは基本的に、クライアントを同様のディストリビューションでグループ化しようとしている。 以前のFLアルゴリズムは、訓練中に間接的に類似性を試みていた。
  論文  参考訳（メタデータ） (2022-09-21T17:37:54Z)
• Beyond the Prototype: Divide-and-conquer Proxies for Few-shot Segmentation [63.910211095033596]
  少ないショットのセグメンテーションは、少数の濃密なラベル付けされたサンプルのみを与えられた、目に見えないクラスオブジェクトをセグメンテーションすることを目的としている。 分割・分散の精神において, 単純かつ多目的な枠組みを提案する。 提案手法は、DCP(disvision-and-conquer proxies)と呼ばれるもので、適切な信頼性のある情報の開発を可能にする。
  論文  参考訳（メタデータ） (2022-04-21T06:21:14Z)
• Fully Self-Supervised Learning for Semantic Segmentation [46.6602159197283]
  セマンティックセグメンテーション(FS4)のための完全自己教師型フレームワークを提案する。 自己スーパービジョンのためのグローバルなセマンティック知識をフル活用した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ブートストラップ付きトレーニングスキームを提案する。 大規模COCO-Stuffデータセットを用いて本手法の評価を行い,対象物と対象物の両方において7.19mIoUの改善を実現した。
  論文  参考訳（メタデータ） (2022-02-24T09:38:22Z)
• Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation Method for Semantic Segmentation [97.8552697905657]
  このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。 本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。 GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
  論文  参考訳（メタデータ） (2020-04-02T03:25:05Z)

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。