論文の概要: FARCLUSS: Fuzzy Adaptive Rebalancing and Contrastive Uncertainty Learning for Semi-Supervised Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2506.11142v2
- Date: Mon, 23 Jun 2025 08:58:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-24 14:54:00.385477
- Title: FARCLUSS: Fuzzy Adaptive Rebalancing and Contrastive Uncertainty Learning for Semi-Supervised Semantic Segmentation
- Title（参考訳）: FARCLUSS: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ファジィ適応型リバランシングとコントラスト不確実性学習
- Authors: Ebenezer Tarubinga, Jenifer Kalafatovich, Seong-Whan Lee,
- Abstract要約: 半教師付きセマンティックセグメンテーション(SSSS)は、ラベルのないデータを効果的に活用する上で、永続的な課題に直面している。
現在のアプローチは、しばしば支配階級を優先する厳格なしきい値によって不確実な地域を捨てる。
我々は,不確実性を4つの主要コンポーネントを通じて学習資産に変換する総合的な枠組みを導入する。
- 参考スコア（独自算出の注目度）: 26.585985828583304
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semi-supervised semantic segmentation (SSSS) faces persistent challenges in effectively leveraging unlabeled data, such as ineffective utilization of pseudo-labels, exacerbation of class imbalance biases, and neglect of prediction uncertainty. Current approaches often discard uncertain regions through strict thresholding favouring dominant classes. To address these limitations, we introduce a holistic framework that transforms uncertainty into a learning asset through four principal components: (1) fuzzy pseudo-labeling, which preserves soft class distributions from top-K predictions to enrich supervision; (2) uncertainty-aware dynamic weighting, that modulate pixel-wise contributions via entropy-based reliability scores; (3) adaptive class rebalancing, which dynamically adjust losses to counteract long-tailed class distributions; and (4) lightweight contrastive regularization, that encourage compact and discriminative feature embeddings. Extensive experiments on benchmarks demonstrate that our method outperforms current state-of-the-art approaches, achieving significant improvements in the segmentation of under-represented classes and ambiguous regions.
- Abstract（参考訳）: 半教師付きセマンティックセグメンテーション(SSSS)は、擬似ラベルの有効利用、クラス不均衡バイアスの悪化、予測の不確かさの無視など、ラベルのないデータを効果的に活用する上で、永続的な課題に直面している。
現在のアプローチは、しばしば支配階級を優先する厳格なしきい値によって不確実な地域を捨てる。
これらの制約に対処するため,(1)トップK予測からのソフトクラス分布を保存するファジィ擬似ラベル(fuzzy pseudo-labeling),(2)エントロピーに基づく信頼性スコアによる画素ワイドなコントリビューションを変調する不確実性認識動的重み付け,(3)ロングテールなクラス分布に対する損失を動的に調整する適応型クラス再バランス,(4)コンパクトで差別的な特徴埋め込みを促進する軽量コントラスト正規化,という4つの主要コンポーネントを通じて,不確実性を学習資産に変換する包括的枠組みを導入する。
ベンチマーク実験の結果,提案手法は現在の最先端手法よりも優れており,未表現のクラスと曖昧な領域のセグメンテーションの大幅な改善が達成されている。
関連論文リスト
- DyCON: Dynamic Uncertainty-aware Consistency and Contrastive Learning for Semi-supervised Medical Image Segmentation [18.102129546708905]
動的不確実性を考慮した一貫性とコントラスト学習フレームワークであるDyCONを提案する。
UnCLは、各ボクセルの一貫性損失への寄与を動的に重み付けすることで、グローバルな一貫性を強制する。
FeCLは、二重焦点機構を導入することにより、不均衡領域における局所的特徴識別を強化する。
論文 参考訳（メタデータ） (2025-04-06T17:50:22Z) - CW-BASS: Confidence-Weighted Boundary-Aware Learning for Semi-Supervised Semantic Segmentation [26.585985828583304]
半教師付きセマンティックセマンティックセグメンテーション(SSSS)は,ラベル付きサンプルを限定した大量のラベル付きデータを活用することで,パフォーマンスの向上を目指している。
既存の手法はしばしば結合に悩まされ、初期ラベル付きデータへの過度な依存は、最適以下の学習に繋がる。
SSSSの新しいフレームワークであるCW-BASSを提案する。
論文 参考訳（メタデータ） (2025-02-21T02:24:10Z) - Instance-wise Uncertainty for Class Imbalance in Semantic Segmentation [4.147659576493158]
最先端の手法はますます深層学習モデルに依存しており、不確実性を誤って推定し、予測を過度に信ずることが知られている。
これは、固有のクラス不均衡のため、セマンティックセグメンテーションにおいて特に問題となる。
セマンティックセグメンテーションに特化して設計された新しいトレーニング手法を提案する。
論文 参考訳（メタデータ） (2024-07-17T14:38:32Z) - Understanding Contrastive Representation Learning from Positive Unlabeled (PU) Data [28.74519165747641]
本稿では,少数のラベル付き正のセットと大きなラベル付きプールのみを利用できる,正のラベル付き学習(PU)の課題について検討する。
比較対象を減少させる非バイアスで分散した正の非ラベル型コントラスト学習(puCL)を導入する。
本稿では, 未ラベルのサンプルをソフトな正の混合物として再重み付けする, 事前認識型拡張である Positive Unlabeled InfoNCE (puNCE) を提案する。
論文 参考訳（メタデータ） (2024-02-08T20:20:54Z) - Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
補完ラベル学習は、弱教師付き学習問題である。
均一分布仮定に依存しない一貫したアプローチを提案する。
相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
論文 参考訳（メタデータ） (2023-11-27T02:59:17Z) - Uncertainty-guided Boundary Learning for Imbalanced Social Event
Detection [64.4350027428928]
本研究では,不均衡なイベント検出タスクのための不確実性誘導型クラス不均衡学習フレームワークを提案する。
我々のモデルは、ほとんど全てのクラス、特に不確実なクラスにおいて、社会イベントの表現と分類タスクを大幅に改善する。
論文 参考訳（メタデータ） (2023-10-30T03:32:04Z) - Uncertainty-aware Pseudo-label Selection for Positive-Unlabeled Learning [10.014356492742074]
本稿では,正の未ラベル学習環境における不均衡データセットとモデル校正の問題に取り組むことを提案する。
マイノリティクラスからのシグナルを増強することにより、擬似ラベル付けはラベル付きデータセットをラベル付きデータセットから新しいサンプルで拡張する。
PUUPLは一連の実験において、高度に不均衡な設定で大幅な性能向上をもたらす。
論文 参考訳（メタデータ） (2022-01-31T12:55:47Z) - Exploiting Sample Uncertainty for Domain Adaptive Person
Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。
不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文 参考訳（メタデータ） (2020-12-16T04:09:04Z) - Selective Pseudo-Labeling with Reinforcement Learning for
Semi-Supervised Domain Adaptation [116.48885692054724]
半教師付きドメイン適応のための強化学習に基づく選択擬似ラベル法を提案する。
高精度かつ代表的な擬似ラベルインスタンスを選択するための深層Q-ラーニングモデルを開発する。
提案手法は, SSDAのベンチマークデータセットを用いて評価し, 全ての比較手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2020-12-07T03:37:38Z) - Rectifying Pseudo Label Learning via Uncertainty Estimation for Domain
Adaptive Semantic Segmentation [49.295165476818866]
本稿では、意味的セグメンテーションの文脈において、ソースドメインからターゲットドメインへの知識伝達の教師なし領域適応に焦点を当てる。
既存のアプローチでは、通常、擬似ラベルを未ラベルのターゲットドメインデータを完全に活用するための基礎的真理とみなす。
本稿では,擬似ラベル学習の修正のために,学習中の予測の不確かさを明示的に推定することを提案する。
論文 参考訳（メタデータ） (2020-03-08T12:37:19Z)
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。