Fugu-MT 論文翻訳(概要): Exploring Spatial Diversity for Region-based Active Learning

論文の概要: Exploring Spatial Diversity for Region-based Active Learning

arxiv url: http://arxiv.org/abs/2507.17367v1
Date: Wed, 23 Jul 2025 10:04:25 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-24 22:33:14.947438
Title: Exploring Spatial Diversity for Region-based Active Learning
Title（参考訳）: 地域型アクティブラーニングのための空間的多様性の探索
Authors: Lile Cai, Xun Xu, Lining Zhang, Chuan-Sheng Foo,
Abstract要約: セマンティックセグメンテーションの最先端の方法は、大規模ラベル付きデータセットに基づいてトレーニングされたディープニューラルネットワークに基づいている。地域ベースのアクティブラーニングは、高い性能を維持しつつアノテーションコストを削減する戦略であると考えている。
参考スコア（独自算出の注目度）: 20.866022165099626
License: http://creativecommons.org/licenses/by/4.0/
Abstract: State-of-the-art methods for semantic segmentation are based on deep neural networks trained on large-scale labeled datasets. Acquiring such datasets would incur large annotation costs, especially for dense pixel-level prediction tasks like semantic segmentation. We consider region-based active learning as a strategy to reduce annotation costs while maintaining high performance. In this setting, batches of informative image regions instead of entire images are selected for labeling. Importantly, we propose that enforcing local spatial diversity is beneficial for active learning in this case, and to incorporate spatial diversity along with the traditional active selection criterion, e.g., data sample uncertainty, in a unified optimization framework for region-based active learning. We apply this framework to the Cityscapes and PASCAL VOC datasets and demonstrate that the inclusion of spatial diversity effectively improves the performance of uncertainty-based and feature diversity-based active learning methods. Our framework achieves $95\%$ performance of fully supervised methods with only $5-9\%$ of the labeled pixels, outperforming all state-of-the-art region-based active learning methods for semantic segmentation.
Abstract（参考訳）: セマンティックセグメンテーションの最先端の方法は、大規模ラベル付きデータセットに基づいてトレーニングされたディープニューラルネットワークに基づいている。このようなデータセットを取得すると、特にセマンティックセグメンテーションのようなピクセルレベルの密集した予測タスクに対して、大きなアノテーションコストが発生する。地域ベースのアクティブラーニングは、高い性能を維持しつつアノテーションコストを削減する戦略であると考えている。この設定では、ラベル付けのために、全画像の代わりに情報的画像領域のバッチが選択される。ここでは,局所的な空間的多様性を強制することは,この場合の活発な学習に有用であり,空間的多様性と従来のアクティブな選択基準(例えば,データサンプルの不確実性)を,地域ベースのアクティブな学習のための統一的な最適化フレームワークに組み入れることを提案する。本研究では,この枠組みをCityscapesおよびPASCAL VOCデータセットに適用し,空間的多様性の包含が不確実性に基づく特徴的多様性に基づくアクティブラーニング手法の性能を効果的に向上させることを示す。本フレームワークは,ラベル付き画素の5～9.%しか持たない完全教師付きメソッドのパフォーマンスを95～9.%で達成し,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最先端の領域ベースアクティブラーニング手法よりも優れていた。

関連論文リスト

Region-based Cluster Discrimination for Visual Representation Learning [30.79223671093668]
Region-Aware Cluster Discrimination (RICE)は、地域レベルの視覚とOCR機能を強化する新しい手法である。 RICEは、セグメンテーション、密集検知、視覚知覚など、タスクにおける従来の手法よりも一貫して優れている。
論文参考訳（メタデータ） (2025-07-26T17:47:09Z)
Annotation-Efficient Polyp Segmentation via Active Learning [45.59503015577479]
アノテーション効率の良いポリプセグメンテーションのための深層能動的学習フレームワークを提案する。実際に,ポリプの予測マップと背景領域の類似性を調べることで,各試料の不確実性を測定する。提案手法は,パブリックデータセットと大規模社内データセットの双方において,競合相手と比較して,最先端性能を実現していることを示す。
論文参考訳（メタデータ） (2024-03-21T12:25:17Z)
Progressive Feature Self-reinforcement for Weakly Supervised Semantic Segmentation [55.69128107473125]
Weakly Supervised Semantic (WSSS) のイメージレベルラベルを用いたシングルステージアプローチを提案する。我々は、画像内容が決定論的領域(例えば、自信ある前景と背景)と不確実領域(例えば、オブジェクト境界と誤分類されたカテゴリ)に適応的に分割して、別々の処理を行う。そこで我々は,これらの自信のある領域と同一のクラスラベルを持つ拡張画像とのセマンティック一貫性を制約する補完的な自己強調手法を提案する。
論文参考訳（メタデータ） (2023-12-14T13:21:52Z)
Hierarchical Point-based Active Learning for Semi-supervised Point Cloud Semantic Segmentation [48.40853126077237]
大規模ポイントクラウドデータをポイントワイドラベルで取得することは、労働集約的だ。アクティブラーニングは、この目的を達成するための効果的な戦略の1つだが、まだ探索されていない。本稿では,階層的なポイントベースアクティブラーニング戦略を開発する。
論文参考訳（メタデータ） (2023-08-22T03:52:05Z)
Point-Level Region Contrast for Object Detection Pre-Training [147.47349344401806]
本稿では,物体検出作業のための自己教師付き事前学習手法である点レベル領域コントラストを提案する。提案手法は,異なる領域から個々の点対を直接抽出することにより,コントラスト学習を行う。領域ごとの集約表現と比較すると,入力領域の品質の変化に対して,我々のアプローチはより堅牢である。
論文参考訳（メタデータ） (2022-02-09T18:56:41Z)
Towards Fewer Annotations: Active Learning via Region Impurity and Prediction Uncertainty for Domain Adaptive Semantic Segmentation [19.55572909866489]
ドメインシフトに基づく意味的セグメンテーションのための領域ベースアクティブラーニング手法を提案する。領域不純物・予測不確かさ(AL-RIPU)を用いた能動学習では,画像領域の空間的隣接性を特徴付ける新たな獲得戦略が導入された。我々の手法は、教師付きパフォーマンスにほぼ到達するためにはほとんどアノテーションを必要とせず、最先端の手法よりも大幅に優れています。
論文参考訳（メタデータ） (2021-11-25T06:40:58Z)
Dense Contrastive Visual-Linguistic Pretraining [53.61233531733243]
画像とテキストを共同で表現するマルチモーダル表現学習手法が提案されている。これらの手法は,大規模マルチモーダル事前学習から高レベルな意味情報を取得することにより,優れた性能を実現する。そこで本稿では,非バイアスのDense Contrastive Visual-Linguistic Pretrainingを提案する。
論文参考訳（メタデータ） (2021-09-24T07:20:13Z)
Discriminative Region-based Multi-Label Zero-Shot Learning [145.0952336375342]
マルチラベルゼロショット学習(Multi-label zero-shot Learning、ZSL)は、標準のシングルラベルZSLのより現実的な対位法である。本稿では,地域別識別可能性保存型ZSLに対する代替アプローチを提案する。
論文参考訳（メタデータ） (2021-08-20T17:56:47Z)
ReDAL: Region-based and Diversity-aware Active Learning for Point Cloud Semantic Segmentation [28.478555264574865]
ReDALは、ラベル取得のために、情報的かつ多様なサブシーン領域のみを自動的に選択することを目的としている。冗長アノテーションを避けるため,多様性を考慮した選択アルゴリズムも開発されている。実験の結果,本手法は従来のアクティブラーニング手法よりも優れていることがわかった。
論文参考訳（メタデータ） (2021-07-25T09:40:48Z)
Contextual Diversity for Active Learning [9.546771465714876]
大規模なデータセットは、多くの実用化のためにディープ畳み込みニューラルネットワーク(CNN)の使用を制限する。空間的に共起するクラスに関連した混乱を捉える文脈的多様性の概念を導入する。本研究は,活発な学習に文脈的多様性を用いることの利点を明らかにした。
論文参考訳（メタデータ） (2020-08-13T07:04:15Z)
Attentive CutMix: An Enhanced Data Augmentation Approach for Deep Learning Based Image Classification [58.20132466198622]
そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
論文参考訳（メタデータ） (2020-03-29T15:01:05Z)
Reinforced active learning for image segmentation [34.096237671643145]
深部強化学習(RL)に基づく意味的セグメンテーションのための新しいアクティブラーニング戦略を提案する。エージェントは、ラベルなしデータのプールからラベル付けされる小さな情報領域(画像全体とは対照的に)のサブセットを選択するポリシーを学ぶ。本手法では, 意味的セグメンテーション問題の大規模性質に適応して, 能動的学習のための深部Q-network (DQN) の定式化を新たに提案する。
論文参考訳（メタデータ） (2020-02-16T14:03:06Z)

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。