論文の概要: When Confidence Fails: Revisiting Pseudo-Label Selection in Semi-supervised Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2509.16704v1
• Date: Sat, 20 Sep 2025 14:23:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.934747
• Title: When Confidence Fails: Revisiting Pseudo-Label Selection in Semi-supervised Semantic Segmentation
• Title（参考訳）: 信頼が失われる時:半教師付きセマンティックセグメンテーションにおける擬似ラベル選択の再考
• Authors: Pan Liu, Jinshi Liu,
• Abstract要約: 本稿では,信頼分布特徴空間内の凸最適化問題として,信頼分離学習(CSL)を提案する。 CSLは、信頼分布特徴空間内の凸最適化問題として擬似ラベル選択を定式化する。 CSLは最先端の手法に対して良好に機能することを示す。
• 参考スコア（独自算出の注目度）: 15.149171763610662
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While significant advances exist in pseudo-label generation for semi-supervised semantic segmentation, pseudo-label selection remains understudied. Existing methods typically use fixed confidence thresholds to retain high-confidence predictions as pseudo-labels. However, these methods cannot cope with network overconfidence tendency, where correct and incorrect predictions overlap significantly in high-confidence regions, making separation challenging and amplifying model cognitive bias. Meanwhile, the direct discarding of low-confidence predictions disrupts spatial-semantic continuity, causing critical context loss. We propose Confidence Separable Learning (CSL) to address these limitations. CSL formulates pseudo-label selection as a convex optimization problem within the confidence distribution feature space, establishing sample-specific decision boundaries to distinguish reliable from unreliable predictions. Additionally, CSL introduces random masking of reliable pixels to guide the network in learning contextual relationships from low-reliability regions, thereby mitigating the adverse effects of discarding uncertain predictions. Extensive experimental results on the Pascal, Cityscapes, and COCO benchmarks show that CSL performs favorably against state-of-the-art methods. Code and model weights are available at https://github.com/PanLiuCSU/CSL.
• 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のための擬似ラベル生成には大きな進歩があるが、擬似ラベル選択はまだ検討されている。 既存の手法では、固定された信頼しきい値を使用して、疑似ラベルとして高信頼の予測を保持するのが一般的である。 しかし、これらの手法は、高信頼領域において正確かつ誤った予測が著しく重複するネットワーク過信傾向に対処することができず、分離が困難となり、モデル認知バイアスが増幅される。 一方、低信頼予測の直接的な破棄は、空間的意味的連続性を阻害し、重要な文脈損失を引き起こす。 これらの制約に対処するために、信頼分離学習(CSL)を提案する。 CSLは、信頼度分布特徴空間内の凸最適化問題として擬似ラベル選択を定式化し、信頼できない予測と信頼できない予測を区別するためにサンプル固有の決定境界を確立する。 さらに、CSLは信頼性の高い画素のランダムマスキングを導入し、信頼性の低い領域からコンテキスト関係を学習する際にネットワークを誘導し、不確実な予測を破棄する悪影響を軽減する。 Pascal、Cityscapes、COCOベンチマークの大規模な実験結果から、CSLは最先端の手法に対して好適に機能することが示された。 コードとモデルの重み付けはhttps://github.com/PanLiuCSU/CSLで確認できる。

関連論文リスト

• MetaSSL: A General Heterogeneous Loss for Semi-Supervised Medical Image Segmentation [26.75334172633309]
  医用画像セグメンテーションモデルのアノテーションコストを低減するためには,セミ・スーパーバイザード・ラーニングが重要である。 空間的不均一な損失に基づくユニバーサルフレームワークMetaSSLを提案する。 我々の手法はプラグアンドプレイであり、ほとんどの既存のSSLメソッドに対して一般的である。
  論文  参考訳（メタデータ） (2025-09-01T05:45:08Z)
• 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)
• Do not trust what you trust: Miscalibration in Semi-supervised Learning [21.20806568508201]
  最先端の半教師付き学習(SSL)アプローチは、ラベルなしサンプルのトレーニングをガイドする擬似ラベルとして機能するために、信頼性の高い予測に依存している。 擬似ラベルに基づくSSL方式は, かなり誤解されていることを示し, ミンエントロピーの最小化を正式に示す。 我々は単純なペナルティ項を統合し、ラベルのないサンプルの予測のロジットを低く保ち、ネットワーク予測が過信にならないようにする。
  論文  参考訳（メタデータ） (2024-03-22T18:43:46Z)
• Revisiting Confidence Estimation: Towards Reliable Failure Prediction [53.79160907725975]
  多くの信頼度推定法は誤分類誤りを検出するのに有害である。 本稿では, 最先端の故障予測性能を示す平坦な最小値を求めることにより, 信頼性ギャップを拡大することを提案する。
  論文  参考訳（メタデータ） (2024-03-05T11:44:14Z)
• Leveraging Unlabeled Data for 3D Medical Image Segmentation through Self-Supervised Contrastive Learning [3.7395287262521717]
  現在の3次元半教師付きセグメンテーション法は、文脈情報の限定的考慮のような重要な課題に直面している。 両者の相違を探索し、活用するために設計された2つの個別のワークを導入し、最終的に誤った予測結果を修正した。 我々は、信頼できない予測と信頼できない予測を区別するために、自己教師付きコントラスト学習パラダイムを採用している。
  論文  参考訳（メタデータ） (2023-11-21T14:03:16Z)
• Exploiting Low-confidence Pseudo-labels for Source-free Object Detection [54.98300313452037]
  Source-free Object Detection (SFOD) は、ラベル付きソースデータにアクセスすることなく、未ラベルのターゲットドメインにソーストレーニングされた検出器を適応することを目的としている。 現在のSFOD法は適応相におけるしきい値に基づく擬似ラベル手法を用いる。 疑似ラベルを最大限に活用するために,高信頼度と低信頼度しきい値を導入する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-19T12:59:55Z)
• Binary Classification with Confidence Difference [100.08818204756093]
  本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。 本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。 また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
  論文  参考訳（メタデータ） (2023-10-09T11:44:50Z)
• Contrastive Credibility Propagation for Reliable Semi-Supervised Learning [6.014538614447467]
  逐次的擬似ラベルリファインメントによる深部SSLのためのコントラストCCP(Contrastive Credibility Propagation)を提案する。 CCPは、教師付きベースラインをデータシナリオで確実に上回るために、半教師付き学習とノイズの多いラベル学習を統一する。
  論文  参考訳（メタデータ） (2022-11-17T23:01:47Z)
• Confident Sinkhorn Allocation for Pseudo-Labeling [40.883130133661304]
  半教師付き学習は、ラベル付きデータへの機械学習の依存を減らす重要なツールである。 本稿では,疑似ラベル作成における不確実性の役割を理論的に研究し,CSA(Confident Sinkhorn Allocation)を提案する。 CSAは、信頼度の高いサンプルのみへの最適な輸送を通して、最高の擬似ラベル割り当てを特定する。
  論文  参考訳（メタデータ） (2022-06-13T02:16:26Z)
• In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label Selection Framework for Semi-Supervised Learning [53.1047775185362]
  Pseudo-labeling (PL) は一般的な SSL アプローチで、この制約はありませんが、当初の処方では比較的不十分です。 PLは不整合モデルからの誤った高い信頼度予測により性能が低下していると論じる。 そこで本研究では,疑似ラベリング精度を向上させるための不確実性認識型擬似ラベル選択(ups)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-15T23:29:57Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。