論文の概要: Depth Edge Alignment Loss: DEALing with Depth in Weakly Supervised Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2509.17702v1
• Date: Mon, 22 Sep 2025 12:42:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.38219
• Title: Depth Edge Alignment Loss: DEALing with Depth in Weakly Supervised Semantic Segmentation
• Title（参考訳）: Depth Edge Alignment Loss: Weakly Supervised Semantic SegmentationにおけるDealing with Depth
• Authors: Patrick Schmidt, Vasileios Belagiannis, Lazaros Nalpantidis,
• Abstract要約: 本研究では、異なるデータセットにわたるWeakly Supervised Semanticモデルを改善するために、モデルに依存しない深度エッジアライメント損失を提案する。 この手法は画像レベルの監視からピクセルレベルのセマンティックラベルを生成し、高価なアノテーションプロセスを避ける。 当社のアプローチは、データセットやモデル間のセグメンテーションパフォーマンスをどのように改善するかを実証していますが、他の損失と組み合わせることで、パフォーマンスがさらに向上します。
• 参考スコア（独自算出の注目度）: 10.222017971893917
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous robotic systems applied to new domains require an abundance of expensive, pixel-level dense labels to train robust semantic segmentation models under full supervision. This study proposes a model-agnostic Depth Edge Alignment Loss to improve Weakly Supervised Semantic Segmentation models across different datasets. The methodology generates pixel-level semantic labels from image-level supervision, avoiding expensive annotation processes. While weak supervision is widely explored in traditional computer vision, our approach adds supervision with pixel-level depth information, a modality commonly available in robotic systems. We demonstrate how our approach improves segmentation performance across datasets and models, but can also be combined with other losses for even better performance, with improvements up to +5.439, +1.274 and +16.416 points in mean Intersection over Union on the PASCAL VOC / MS COCO validation, and the HOPE static onboarding split, respectively. Our code will be made publicly available.
• Abstract（参考訳）: 新しいドメインに適用される自律ロボットシステムは、完全な監督の下で堅牢なセマンティックセグメンテーションモデルをトレーニングするために、高価なピクセルレベルの高密度ラベルを大量に必要とします。 本研究では,Weakly Supervised Semantic Segmentationモデルの改良を目的としたモデル非依存のエッジアライメント損失を提案する。 この手法は画像レベルの監視からピクセルレベルのセマンティックラベルを生成し、高価なアノテーションプロセスを避ける。 従来のコンピュータビジョンでは、弱い監督が広く研究されているが、我々のアプローチは、ロボットシステムでは一般的なモダリティであるピクセルレベルの深度情報による監督を追加する。 当社のアプローチでは,データセットやモデル間のセグメンテーションのパフォーマンスが向上する一方で,パフォーマンス向上のために,他の損失と組み合わせることで,PASCAL VOC/MS COCOバリデーションにおけるUnion上のインターセクションの平均値が+5.439,+1.274,+16.416に向上した。 私たちのコードは公開されます。

関連論文リスト

• A Lightweight Clustering Framework for Unsupervised Semantic Segmentation [28.907274978550493]
  教師なしセマンティックセグメンテーションは、注釈付きデータを用いることなく、画像の各ピクセルを対応するクラスに分類することを目的としている。 教師なしセマンティックセグメンテーションのための軽量クラスタリングフレームワークを提案する。 本フレームワークは,PASCAL VOCおよびMS COCOデータセットの最先端結果を実現する。
  論文  参考訳（メタデータ） (2023-11-30T15:33:42Z)
• Learning Semantic Segmentation with Query Points Supervision on Aerial Images [57.09251327650334]
  セマンティックセグメンテーションアルゴリズムを学習するための弱教師付き学習アルゴリズムを提案する。 提案手法は正確なセマンティックセグメンテーションを行い,手作業のアノテーションに要するコストと時間を大幅に削減することで効率を向上する。
  論文  参考訳（メタデータ） (2023-09-11T14:32:04Z)
• Exploring Open-Vocabulary Semantic Segmentation without Human Labels [76.15862573035565]
  我々は、既存の事前学習された視覚言語モデル(VL)を利用して意味的セグメンテーションモデルを訓練するZeroSegを提案する。 ZeroSegは、VLモデルで学んだ視覚概念をセグメントトークンの集合に蒸留することでこれを克服し、それぞれが対象画像の局所化領域を要約する。 提案手法は,他のゼロショットセグメンテーション法と比較して,同じトレーニングデータを用いた場合と比較して,最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-06-01T08:47:06Z)
• Edge-aware Plug-and-play Scheme for Semantic Segmentation [4.297988192695948]
  提案手法は, 改良を伴わない任意の最先端(SOTA)モデルにシームレスに統合できる。 実験結果から,提案手法は改良を伴わない任意の最先端(SOTA)モデルにシームレスに統合できることが示唆された。
  論文  参考訳（メタデータ） (2023-03-18T02:17:37Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• Maximize the Exploration of Congeneric Semantics for Weakly Supervised Semantic Segmentation [27.155133686127474]
  グラフニューラルネットワーク(P-GNN)を,同一のクラスラベルを含む異なる画像からの自己検出パッチに基づいて構築する。 PASCAL VOC 2012ベンチマークで実験を行い、そのモデルにより最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-10-08T08:59:16Z)
• Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
  この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。 画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。 特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
  論文  参考訳（メタデータ） (2020-12-09T12:40:13Z)
• Self-supervised Equivariant Attention Mechanism for Weakly Supervised Semantic Segmentation [93.83369981759996]
  本稿では,自己監督同変注意機構(SEAM)を提案する。 本手法は,完全教師付きセマンティックセグメンテーションにおいて,同値が暗黙の制約であることを示す。 本稿では,ネットワーク学習のための自己スーパービジョンを提供するために,様々な変換画像から予測されたCAMの整合性正則化を提案する。
  論文  参考訳（メタデータ） (2020-04-09T14:57:57Z)

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。