論文の概要: A$^2$LC: Active and Automated Label Correction for Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2506.11599v1
- Date: Fri, 13 Jun 2025 09:07:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-16 17:50:49.729365
- Title: A$^2$LC: Active and Automated Label Correction for Semantic Segmentation
- Title（参考訳）: A$^2$LC:セマンティックセグメンテーションのための能動・自動ラベル補正
- Authors: Youjin Jeon, Kyusik Cho, Suhan Woo, Euntai Kim,
- Abstract要約: セマンティックセグメンテーションのための能動・自動ラベル補正(A$2$LC)を提案する。
A$2$LCは、従来のパイプラインに自動修正段階を統合する。
Cityscapes と PASCAL VOC 2012 の実験では、A$2$LC が従来の最先端の手法を大きく上回っている。
- 参考スコア（独自算出の注目度）: 12.965144877139391
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Active Label Correction (ALC) has emerged as a promising solution to the high cost and error-prone nature of manual pixel-wise annotation in semantic segmentation, by selectively identifying and correcting mislabeled data. Although recent work has improved correction efficiency by generating pseudo-labels using foundation models, substantial inefficiencies still remain. In this paper, we propose Active and Automated Label Correction for semantic segmentation (A$^2$LC), a novel and efficient ALC framework that integrates an automated correction stage into the conventional pipeline. Specifically, the automated correction stage leverages annotator feedback to perform label correction beyond the queried samples, thereby maximizing cost efficiency. In addition, we further introduce an adaptively balanced acquisition function that emphasizes underrepresented tail classes and complements the automated correction mechanism. Extensive experiments on Cityscapes and PASCAL VOC 2012 demonstrate that A$^2$LC significantly outperforms previous state-of-the-art methods. Notably, A$^2$LC achieves high efficiency by outperforming previous methods using only 20% of their budget, and demonstrates strong effectiveness by yielding a 27.23% performance improvement under an equivalent budget constraint on the Cityscapes dataset. The code will be released upon acceptance.
- Abstract（参考訳）: Active Label Correction (ALC) は、セマンティックセグメンテーションにおける手動ピクセルワイドアノテーションの高コストかつエラーを起こしやすい性質に対して、ラベル付きデータを選択的に識別し修正することで、有望な解決策として登場した。
近年の研究では、基礎モデルを用いて擬似ラベルを生成することで補正効率が向上しているが、かなりの非効率性は残っている。
本稿では, セマンティックセグメンテーションのための能動的・自動ラベル補正(A$^2$LC)を提案する。
具体的には、自動補正ステージは、アノテータフィードバックを利用して、クエリされたサンプル以外のラベル補正を行い、コスト効率を最大化する。
さらに、未表現のテールクラスを強調し、自動修正機構を補完する適応的バランスの取れた取得関数も導入する。
Cityscapes と PASCAL VOC 2012 に関する大規模な実験は、A$^2$LC が従来の最先端手法よりも著しく優れていることを示した。
特に、A$^2$LCは従来の手法を20%の予算で上回り、Cityscapesデータセットの同等の予算制約の下で27.23%のパフォーマンス向上を達成し、高い効率性を示す。
コードは受理時にリリースされます。
関連論文リスト
- Enhancing Zero-Shot Vision Models by Label-Free Prompt Distribution Learning and Bias Correcting [55.361337202198925]
CLIPのようなヴィジュアル言語モデルは、適切なテキスト記述を使用する際に、顕著な一般化能力を示している。
本稿では,ラベル付きデータを必要としないゼロショット性能を向上する,**Frolic**と呼ばれるラベルフリーな分布学習とバイアス補正フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-25T04:00:45Z) - Incremental Self-training for Semi-supervised Learning [56.57057576885672]
ISTは単純だが有効であり、既存の自己学習に基づく半教師あり学習手法に適合する。
提案したISTを5つのデータセットと2種類のバックボーンで検証し,認識精度と学習速度を効果的に向上させる。
論文 参考訳（メタデータ） (2024-04-14T05:02:00Z) - Direct Acquisition Optimization for Low-Budget Active Learning [15.355195433709717]
アクティブラーニング(AL)は、限られたラベル付きデータを持つドメインにデータ集約型機械学習(ML)モデルを統合することで有名になった。
本稿では,従来のALアルゴリズムの低予算環境での性能劣化を実証的に観察する。
そこで我々は,期待される真の損失削減に基づくサンプル選択を最適化する新しいALアルゴリズムであるDAO(Direct Acquisition Optimization)を導入する。
論文 参考訳（メタデータ） (2024-02-08T20:36:21Z) - Parameter-tuning-free data entry error unlearning with adaptive
selective synaptic dampening [51.34904967046097]
本稿では,パラメータチューニングの必要性を排除した選択的シナプス減衰アンラーニング法の拡張を提案する。
本稿では,ResNet18とVision Transformerの未学習タスクにおける適応選択的シナプス減衰(ASSD)の性能を示す。
このアプローチの適用は、サプライチェーン管理などの産業環境において特に魅力的である。
論文 参考訳（メタデータ） (2024-02-06T14:04:31Z) - Self-Supervised Vision Transformers Are Efficient Segmentation Learners
for Imperfect Labels [19.921140174384096]
本研究では,自己教師型視覚変換器(SSVT)を用いたセマンティックセグメンテーションの費用対効果を示す。
SSVTバックボーンを凍結し,軽量セグメンテーションヘッドを訓練することにより,不完全ラベルを効果的に活用し,不完全ラベルの堅牢性を向上させる。
論文 参考訳（メタデータ） (2024-01-23T07:24:16Z) - Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers [44.344548601242444]
Weakly-supervised RESidual Transformer (WeakREST) という新しいフレームワークを導入し,高い異常検出精度を実現する。
画素単位の異常局所化タスクをブロック単位の分類問題に再構成する。
弱いラベルと残差に基づく表現との相互作用を処理できるResMixMatchアルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-06-06T08:19:30Z) - Fine- and Coarse-Granularity Hybrid Self-Attention for Efficient BERT [22.904252855587348]
本稿では, 計算列長を漸進的に短縮することにより, コストを低減できる, 微細で粗い粒度ハイブリッド型自己アテンションを提案する。
FCAは従来の手法に比べて精度とFLOPのトレードオフが著しく優れていることを示す。
論文 参考訳（メタデータ） (2022-03-17T03:33:47Z) - Active Learning by Feature Mixing [52.16150629234465]
本稿では,ALFA-Mixと呼ばれるバッチ能動学習手法を提案する。
予測の不整合を求めることにより,不整合な特徴を持つインスタンスを同定する。
これらの予測の不整合は、モデルが未認識のインスタンスで認識できない特徴を発見するのに役立ちます。
論文 参考訳（メタデータ） (2022-03-14T12:20:54Z) - ATM: An Uncertainty-aware Active Self-training Framework for
Label-efficient Text Classification [13.881283744970979]
ATMは、ラベルのないデータを活用するために自己学習を利用する新しいフレームワークであり、特定のALアルゴリズムに依存しない。
我々はATMが最強のアクティブラーニングと自己学習ベースラインを上回り、ラベル効率を平均51.9%向上させることを実証した。
論文 参考訳（メタデータ） (2021-12-16T11:09:48Z) - Learning with Noisy Labels by Efficient Transition Matrix Estimation to
Combat Label Miscorrection [3.48062110627933]
ノイズラベルを用いた学習に関する最近の研究は、小さなクリーンデータセットを利用して顕著な性能を示した。
モデルメタラーニングに基づくラベル補正手法は, ハエの雑音ラベルを補正することにより, さらなる性能向上を図っている。
しかし、ラベルの誤りに対する保護は存在せず、性能劣化は避けられない。
本研究では,ラベル遷移行列を高速に学習する頑健で効率的な手法を提案する。
論文 参考訳（メタデータ） (2021-11-29T20:12:17Z) - Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
物体検出に適した確実な擬似ラベルを導入する。
我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。
提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
論文 参考訳（メタデータ） (2021-06-01T01:32:03Z)
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。