論文の概要: Semantic segmentation with coarse annotations

• arxiv url: http://arxiv.org/abs/2510.15756v1
• Date: Fri, 17 Oct 2025 15:41:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.689604
• Title: Semantic segmentation with coarse annotations
• Title（参考訳）: 粗いアノテーションを用いた意味的セグメンテーション
• Authors: Jort de Jong, Mike Holenderski,
• Abstract要約: 本稿では,スーパーピクセルベースアップサンプリングを用いたエンコーダデコーダアーキテクチャを用いたモデルの正規化手法を提案する。 粗いアノテーションでトレーニングした場合, 最先端モデルと比較して, 境界リコールは大幅に改善することが示された。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic segmentation is the task of classifying each pixel in an image. Training a segmentation model achieves best results using annotated images, where each pixel is annotated with the corresponding class. When obtaining fine annotations is difficult or expensive, it may be possible to acquire coarse annotations, e.g. by roughly annotating pixels in an images leaving some pixels around the boundaries between classes unlabeled. Segmentation with coarse annotations is difficult, in particular when the objective is to optimize the alignment of boundaries between classes. This paper proposes a regularization method for models with an encoder-decoder architecture with superpixel based upsampling. It encourages the segmented pixels in the decoded image to be SLIC-superpixels, which are based on pixel color and position, independent of the segmentation annotation. The method is applied to FCN-16 fully convolutional network architecture and evaluated on the SUIM, Cityscapes, and PanNuke data sets. It is shown that the boundary recall improves significantly compared to state-of-the-art models when trained on coarse annotations.
• Abstract（参考訳）: セマンティックセグメンテーション(Semantic segmentation)は、画像中の各ピクセルを分類するタスクである。 セグメンテーションモデルのトレーニングでは、各ピクセルが対応するクラスにアノテートされたアノテート画像を用いて、最良の結果が得られる。 微妙なアノテーションの取得が難しい場合、例えば、ラベル付けされていないクラスの境界付近にいくつかのピクセルを残した画像に大まかにアノテートすることで、粗いアノテーションを取得することができる。 粗いアノテーションによるセグメンテーションは、特にクラス間のバウンダリのアライメントを最適化することを目的としている場合、難しい。 本稿では,スーパーピクセルベースアップサンプリングを用いたエンコーダデコーダアーキテクチャを用いたモデルの正規化手法を提案する。 これは、デコードされた画像のセグメント化ピクセルを、セグメンテーションアノテーションとは無関係に、ピクセルの色と位置に基づくSLICスーパーピクセルにすることを推奨する。 この方法はFCN-16完全畳み込みネットワークアーキテクチャに適用され、SUIM、Cityscapes、PanNukeデータセットで評価される。 粗いアノテーションでトレーニングした場合, 最先端モデルと比較して, 境界リコールは大幅に改善することが示された。

関連論文リスト

• 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)
• Segmenter: Transformer for Semantic Segmentation [79.9887988699159]
  セマンティックセグメンテーションのためのトランスフォーマーモデルであるSegmenterを紹介します。 最近のViT(Vision Transformer)上に構築し,セマンティックセグメンテーションに拡張する。 これは、挑戦的なADE20Kデータセット上でのアートの状態を上回り、Pascal ContextとCityscapesでオンパーを実行する。
  論文  参考訳（メタデータ） (2021-05-12T13:01:44Z)
• Universal Weakly Supervised Segmentation by Pixel-to-Segment Contrastive Learning [28.498782661888775]
  半教師付きメトリック学習問題として弱教師付きセグメンテーションを定式化する。 特徴空間における画素とセグメント間のコントラスト関係を4種類提案する。 我々はPascal VOCとDensePoseに大きな利益をもたらす、普遍的な弱教師付きセグメンタを提供する。
  論文  参考訳（メタデータ） (2021-05-03T15:49:01Z)
• Exploring Cross-Image Pixel Contrast for Semantic Segmentation [130.22216825377618]
  完全教師付きセッティングにおけるセマンティックセグメンテーションのための画素単位のコントラストフレームワークを提案する。 中心となる考え方は、同じセマンティッククラスに属するピクセルの埋め込みを、異なるクラスの埋め込みよりもよく似ているように強制することである。 テスト中に余分なオーバーヘッドを伴わずに既存のセグメンテーションフレームワークに懸命に組み込むことができる。
  論文  参考訳（メタデータ） (2021-01-28T11:35:32Z)
• Rethinking Interactive Image Segmentation: Feature Space Annotation [68.8204255655161]
  本稿では,特徴空間投影による複数画像からの対話的・同時セグメントアノテーションを提案する。 本手法は,前景セグメンテーションデータセットにおける最先端手法の精度を上回ることができることを示す。
  論文  参考訳（メタデータ） (2021-01-12T10:13:35Z)

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。