論文の概要: SCALER: SAM-Enhanced Collaborative Learning for Label-Deficient Concealed Object Segmentation

• arxiv url: http://arxiv.org/abs/2511.18136v1
• Date: Sat, 22 Nov 2025 17:48:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.643656
• Title: SCALER: SAM-Enhanced Collaborative Learning for Label-Deficient Concealed Object Segmentation
• Title（参考訳）: SCALER: ラベル記述型オブジェクトセグメンテーションのためのSAM強化協調学習
• Authors: Chunming He, Rihan Zhang, Longxiang Tang, Ziyun Yang, Kai Li, Deng-Ping Fan, Sina Farsiu,
• Abstract要約: ラベル不足の隠蔽オブジェクトセグメンテーション(LDCOS)の既存のメソッドは、一貫性の制約やSAM(Segment Anything Model)ベースの擬似ラベルに依存している。 本研究は,(1)相補的な情報を活用し,セグメンタを強化するために,一貫性の制約とSAMに基づく監督を協調的に組み込むことができるか,(2)それを超えて,セグメンタは相互監視を通じてSAMをガイドし,相互改善を実現することができるか,という2つの重要な課題を考察する。
• 参考スコア（独自算出の注目度）: 32.56241263919416
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing methods for label-deficient concealed object segmentation (LDCOS) either rely on consistency constraints or Segment Anything Model (SAM)-based pseudo-labeling. However, their performance remains limited due to the intrinsic concealment of targets and the scarcity of annotations. This study investigates two key questions: (1) Can consistency constraints and SAM-based supervision be jointly integrated to better exploit complementary information and enhance the segmenter? and (2) beyond that, can the segmenter in turn guide SAM through reciprocal supervision, enabling mutual improvement? To answer these questions, we present SCALER, a unified collaborative framework toward LDCOS that jointly optimizes a mean-teacher segmenter and a learnable SAM. SCALER operates in two alternating phases. In \textbf{Phase \uppercase\expandafter{\romannumeral1}}, the segmenter is optimized under fixed SAM supervision using entropy-based image-level and uncertainty-based pixel-level weighting to select reliable pseudo-label regions and emphasize harder examples. In \textbf{Phase \uppercase\expandafter{\romannumeral2}}, SAM is updated via augmentation invariance and noise resistance losses, leveraging its inherent robustness to perturbations. Experiments demonstrate that SCALER yields consistent performance gains across eight semi- and weakly-supervised COS tasks. The results further suggest that SCALER can serve as a general training paradigm to enhance both lightweight segmenters and large foundation models under label-scarce conditions. Code will be released.
• Abstract（参考訳）: ラベル不足隠蔽オブジェクトセグメンテーション(LDCOS)の既存のメソッドは、一貫性の制約か、SAM(Segment Anything Model)ベースの擬似ラベルに依存している。 しかし、本質的な標的の隠蔽や注釈の不足により、そのパフォーマンスは依然として限られている。 本研究は,(1)整合性制約とSAMに基づく監視を協調的に統合し,相補的情報を活用し,セグメンタを強化するかという2つの重要な課題について検討する。 そして、(2)それを超えて、セグメンテータは、相互改善を可能にする相互監督を通じてSAMをガイドできるのか? これらの疑問に答えるために、平均教師セグメンタと学習可能なSAMを協調的に最適化するLCCOSに向けた統合協調フレームワークであるSCALERを提案する。 SCALERは2つの交互に動作する。 textbf{Phase \uppercase\expandafter{\romannumeral1}} では、セグメンタはエントロピーに基づく画像レベルと不確実性に基づくピクセルレベルの重み付けを用いて、固定SAM監督の下で最適化され、信頼できる擬似ラベル領域を選択し、より難しい例を強調する。 \textbf{Phase \uppercase\expandafter{\romannumeral2}} では、SAMは拡張不変性とノイズ抵抗損失によって更新され、摂動に固有のロバスト性を利用する。 実験により、SCALERは8つの半教師あり弱いCOSタスクで一貫したパフォーマンス向上をもたらすことが示された。 さらに,SCALERは,ラベルスカース条件下での軽量セグメンタモデルと大規模ファンデーションモデルの両方を強化するための一般的な訓練パラダイムとして機能することが示唆された。 コードはリリースされる。

関連論文リスト

• Enhancing Zero-Shot Anomaly Detection: CLIP-SAM Collaboration with Cascaded Prompts [5.225009704851243]
  本稿では,産業用異常検出におけるゼロショット異常セグメンテーションタスクのための新しい2段階フレームワークを提案する。 SAMのオブジェクトセグメンテーションへの傾きを軽減するために,Co-Feature Point Prompt Generationモジュールを提案する。 SAM のセグメンテーション結果をさらに最適化するために,SAM (CPS) モジュール用の Cascaded Prompts を導入する。
  論文  参考訳（メタデータ） (2025-10-13T05:53:49Z)
• 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)
• S^4M: Boosting Semi-Supervised Instance Segmentation with SAM [25.94737539065708]
  半教師付きインスタンスセグメンテーションは、ラベル付きデータに制限があるため、課題を引き起こす。 現在の教師中心のフレームワークは、信頼性の低い擬似ラベルの品質のため、パフォーマンス上の制約に悩まされている。
  論文  参考訳（メタデータ） (2025-04-07T17:59:10Z)
• SAM as the Guide: Mastering Pseudo-Label Refinement in Semi-Supervised Referring Expression Segmentation [66.92696817276288]
  SemiRESは、RESを実行するためにラベル付きデータとラベルなしデータの組み合わせを効果的に活用する半教師付きフレームワークである。 SemiRESはSegment Anything Model (SAM) を組み込んでいる。 利用可能な候補と正確なマスクが一致しない場合、Pixel-Wise Adjustment(PWA)戦略を開発する。
  論文  参考訳（メタデータ） (2024-06-03T15:42:30Z)
• ClipSAM: CLIP and SAM Collaboration for Zero-Shot Anomaly Segmentation [5.376142948115328]
  本稿では,ZSASのためのCLIPおよびSAM協調フレームワークであるClipSAMを提案する。 ClipSAMの背後にある洞察は、CLIPのセマンティック理解機能を、異常なローカライゼーションと粗いセグメンテーションに活用することである。 本稿では,視覚的特徴と対話するためのUMCI(Unified Multi-scale Cross-modal Interaction)モジュールについて述べる。
  論文  参考訳（メタデータ） (2024-01-23T11:20:03Z)
• Stable Segment Anything Model [79.9005670886038]
  SAM(Segment Anything Model)は、高品質なプロンプトが与えられた場合、顕著に迅速なセグメンテーションを実現する。 本稿では,SAMのセグメンテーション安定性について,多様なプロンプト特性のスペクトルにわたって包括的解析を行った。 1)SAMのセグメンテーション安定性を広範囲に改善し,2)SAMの強力なセグメンテーション効率と一般化を維持した。
  論文  参考訳（メタデータ） (2023-11-27T12:51:42Z)

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。