論文の概要: SegAssess: Panoramic quality mapping for robust and transferable unsupervised segmentation assessment

• arxiv url: http://arxiv.org/abs/2509.01183v1
• Date: Mon, 01 Sep 2025 07:07:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.570648
• Title: SegAssess: Panoramic quality mapping for robust and transferable unsupervised segmentation assessment
• Title（参考訳）: SegAssess: 堅牢で移動可能な教師なしセグメンテーションアセスメントのためのパノラマ品質マッピング
• Authors: Bingnan Yang, Mi Zhang, Zhili Zhang, Zhan Zhang, Yuanxin Zhao, Xiangyun Hu, Jianya Gong,
• Abstract要約: 本稿では,包括的,画素ワイドなセグメンテーション品質評価のための新しいパラダイムとして,パノラマ品質マッピング(PQM)を紹介する。 このアプローチを実現する新しいディープラーニングフレームワークであるSegAssessを紹介している。 SegAssessはSQAを細粒度で4クラスのパノラマセグメンテーションタスクとして明確に定式化している。
• 参考スコア（独自算出の注目度）: 18.01836634230034
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-quality image segmentation is fundamental to pixel-level geospatial analysis in remote sensing, necessitating robust segmentation quality assessment (SQA), particularly in unsupervised settings lacking ground truth. Although recent deep learning (DL) based unsupervised SQA methods show potential, they often suffer from coarse evaluation granularity, incomplete assessments, and poor transferability. To overcome these limitations, this paper introduces Panoramic Quality Mapping (PQM) as a new paradigm for comprehensive, pixel-wise SQA, and presents SegAssess, a novel deep learning framework realizing this approach. SegAssess distinctively formulates SQA as a fine-grained, four-class panoramic segmentation task, classifying pixels within a segmentation mask under evaluation into true positive (TP), false positive (FP), true negative (TN), and false negative (FN) categories, thereby generating a complete quality map. Leveraging an enhanced Segment Anything Model (SAM) architecture, SegAssess uniquely employs the input mask as a prompt for effective feature integration via cross-attention. Key innovations include an Edge Guided Compaction (EGC) branch with an Aggregated Semantic Filter (ASF) module to refine predictions near challenging object edges, and an Augmented Mixup Sampling (AMS) training strategy integrating multi-source masks to significantly boost cross-domain robustness and zero-shot transferability. Comprehensive experiments across 32 datasets derived from 6 sources demonstrate that SegAssess achieves state-of-the-art (SOTA) performance and exhibits remarkable zero-shot transferability to unseen masks, establishing PQM via SegAssess as a robust and transferable solution for unsupervised SQA. The code is available at https://github.com/Yangbn97/SegAssess.
• Abstract（参考訳）: 高画質画像セグメンテーションは、リモートセンシングにおけるピクセルレベルの地理空間解析の基礎であり、特に地上の真実を欠いた教師なし環境では、堅牢なセグメンテーション品質アセスメント(SQA)を必要とする。 近年の深層学習(DL)に基づく教師なしSQA手法は可能性を示すが、粗い評価粒度、不完全な評価、転送性に悩まされることが多い。 これらの制約を克服するため,本論文では,Panoramic Quality Mapping (PQM) を包括的,ピクセル単位のSQAのための新しいパラダイムとして紹介し,このアプローチを実現する新しいディープラーニングフレームワークであるSegAssessを紹介した。 SegAssess は SQA を細粒度4クラスのパノラマセグメンテーションタスクとして定式化し、評価下のセグメンテーションマスク内のピクセルを真正(TP)、偽正(FP)、真負(TN)、偽負(FN)のカテゴリに分類し、完全な品質マップを生成する。 強化されたSegment Anything Model (SAM)アーキテクチャを利用することで、SegAssessはクロスアテンションによる効果的な機能統合のプロンプトとして入力マスクを独自に使用する。 主なイノベーションとしては、困難なオブジェクトエッジに近い予測を洗練するためのASF(Aggregated Semantic Filter)モジュールを備えたエッジガイド圧縮(EGC)ブランチや、クロスドメインの堅牢性とゼロショット転送性を大幅に向上させるためにマルチソースマスクを統合するAugmented Mixup Sampling(AMS)トレーニング戦略などがある。 6つの情報源から得られた32のデータセットにわたる総合的な実験により、SegAssessは最先端(SOTA)のパフォーマンスを達成し、目に見えないマスクに顕著なゼロショット転送可能性を示し、教師なしSQAのための堅牢で転送可能なソリューションとしてSegAssessを介してPQMを確立する。 コードはhttps://github.com/Yangbn97/SegAssess.comで入手できる。

関連論文リスト

• ConformalSAM: Unlocking the Potential of Foundational Segmentation Models in Semi-Supervised Semantic Segmentation with Conformal Prediction [57.930531826380836]
  本研究は,未ラベル画像のアノテータとして画素レベルの視覚課題におけるラベル不足に,基礎的セグメンテーションモデルが対処できるかどうかを考察する。 ConformalSAMは,まず対象ドメインのラベル付きデータを用いて基礎モデルを校正し,ラベルなしデータの信頼できないピクセルラベルをフィルタリングする新しいSSSSフレームワークである。
  論文  参考訳（メタデータ） (2025-07-21T17:02:57Z)
• Segment Concealed Objects with Incomplete Supervision [63.637733655439334]
  不完全なスーパービジョン・コンセサイテッド・オブジェクト(ISCOS)は、周囲の環境にシームレスにブレンドするオブジェクトを分割する。 このタスクは、不完全な注釈付きトレーニングデータによって提供される限られた監督のため、非常に難しいままである。 本稿では,これらの課題に対処するためのISCOSの統一手法について紹介する。
  論文  参考訳（メタデータ） (2025-06-10T16:25:15Z)
• E-SAM: Training-Free Segment Every Entity Model [22.29478489117426]
  特有なES能力を示す新しいトレーニングフリーフレームワークであるE-SAMを紹介する。 E-SAMは、以前のESメソッドと比較して最先端のパフォーマンスを実現し、ベンチマークメトリクスで+30.1で大幅に改善されている。
  論文  参考訳（メタデータ） (2025-03-15T11:41:33Z)
• Bridge the Points: Graph-based Few-shot Segment Anything Semantically [79.1519244940518]
  プレトレーニング技術の最近の進歩により、視覚基礎モデルの能力が向上した。 最近の研究はSAMをFew-shot Semantic segmentation (FSS)に拡張している。 本稿では,グラフ解析に基づく簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-10-09T15:02:28Z)
• Fine-grained Background Representation for Weakly Supervised Semantic Segmentation [35.346567242839065]
  本稿では,多様なBGセマンティクスを発見し,表現するために,FBR法を提案する。 そこで本研究では,FG陰性線を抽出し,地中コントラスト学習を効果的に行うためのアクティブサンプリング戦略を提案する。 本手法は,Pascal Voc および MS COCO テストセットにおいて,73.2 mIoU と 45.6 mIoU のセグメンテーション結果を得る。
  論文  参考訳（メタデータ） (2024-06-22T06:45:25Z)
• 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)
• Semantic Attention and Scale Complementary Network for Instance Segmentation in Remote Sensing Images [54.08240004593062]
  本稿では,セマンティックアテンション(SEA)モジュールとスケール補完マスクブランチ(SCMB)で構成される,エンドツーエンドのマルチカテゴリインスタンスセグメンテーションモデルを提案する。 SEAモジュールは、機能マップ上の興味あるインスタンスのアクティベーションを強化するために、追加の監督を備えた、単純な完全な畳み込みセマンティックセマンティックセマンティクスブランチを含んでいる。 SCMBは、元のシングルマスクブランチをトリデントマスクブランチに拡張し、異なるスケールで補完マスクの監視を導入する。
  論文  参考訳（メタデータ） (2021-07-25T08:53:59Z)

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。