論文の概要: PLESS: Pseudo-Label Enhancement with Spreading Scribbles for Weakly Supervised Segmentation

• arxiv url: http://arxiv.org/abs/2602.11628v1
• Date: Thu, 12 Feb 2026 06:24:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.670983
• Title: PLESS: Pseudo-Label Enhancement with Spreading Scribbles for Weakly Supervised Segmentation
• Title（参考訳）: PLESS: Pseudo-Label Enhancement with Spreading Scribbles for Weakly Supervised Segmentation
• Authors: Yeva Gabrielyan, Varduhi Yeghiazaryan, Irina Voiculescu,
• Abstract要約: スクリブルアノテーションによる弱教師付き学習では、小さなピクセルのサブセット上のセグメンテーションラベルを示すために、スパースユーザ描画ストロークを使用する。 医用画像セグメンテーションにおける近年のスクリブルベースアプローチは、擬似ラベルベーストレーニングを用いたこの制限に対処する。 信頼性と空間的整合性を改善する汎用的な擬似ラベル拡張戦略であるPLESSを提案する。
• 参考スコア（独自算出の注目度）: 5.862480696321742
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weakly supervised learning with scribble annotations uses sparse user-drawn strokes to indicate segmentation labels on a small subset of pixels. This annotation reduces the cost of dense pixel-wise labeling, but suffers inherently from noisy and incomplete supervision. Recent scribble-based approaches in medical image segmentation address this limitation using pseudo-label-based training; however, the quality of the pseudo-labels remains a key performance limit. We propose PLESS, a generic pseudo-label enhancement strategy which improves reliability and spatial consistency. It builds on a hierarchical partitioning of the image into a hierarchy of spatially coherent regions. PLESS propagates scribble information to refine pseudo-labels within semantically coherent regions. The framework is model-agnostic and easily integrates into existing pseudo-label methods. Experiments on two public cardiac MRI datasets (ACDC and MSCMRseg) across four scribble-supervised algorithms show consistent improvements in segmentation accuracy. Code will be made available on GitHub upon acceptance.
• Abstract（参考訳）: スクリブルアノテーションによる弱教師付き学習では、小さなピクセルのサブセット上のセグメンテーションラベルを示すために、スパースユーザ描画ストロークを使用する。 このアノテーションは、高密度ピクセルワイドラベリングのコストを低減させるが、本質的にノイズや不完全な監視に悩まされる。 医用画像セグメンテーションにおける近年のスクリブルベースアプローチは、擬似ラベルベーストレーニングによるこの制限に対処しているが、擬似ラベルの品質は依然として重要な性能限界である。 信頼性と空間的整合性を改善する汎用的な擬似ラベル拡張戦略であるPLESSを提案する。 画像の階層的な分割を、空間的に一貫性のある領域の階層に構築する。 PLESSは、セマンティックコヒーレントな領域内で擬似ラベルを洗練させるために、スクリブル情報を伝播する。 このフレームワークはモデルに依存しず、既存の擬似ラベルメソッドに簡単に統合できる。 4つのスクリブル教師付きアルゴリズムによる2つのパブリック心MRIデータセット(ACDCとMSCMRseg)の実験では、セグメンテーション精度が一貫した改善が見られた。 コードはGitHubで受け入れられる予定だ。

関連論文リスト

• Exploiting Inherent Class Label: Towards Robust Scribble Supervised Semantic Segmentation [15.439883888976464]
  頑健なスクリブル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のためのクラス駆動型スクリブルプロモーションネットワークを提案する。 ネットワーク内では,ノイズラベルを緩和するローカライゼーション修正モジュールと,スクリブルアノテーションや擬似ラベルを取り巻く信頼性のある領域を識別する距離知覚モジュールを導入する。 提案手法は,既存の手法よりも優れていることを示すとともに,精度と堅牢性の両方において競争性能を示す。
  論文  参考訳（メタデータ） (2025-03-18T04:43:07Z)
• HPL-ESS: Hybrid Pseudo-Labeling for Unsupervised Event-based Semantic Segmentation [47.271784693700845]
  本稿では,教師なしイベントベースセマンティックセマンティックセグメンテーション(HPL-ESS)のためのハイブリッド擬似ラベルフレームワークを提案する。 提案手法は,DSEC-Semanticデータセットにおいて,既存の最先端手法よりも高い性能を示す。
  論文  参考訳（メタデータ） (2024-03-25T14:02:33Z)
• Scribble Hides Class: Promoting Scribble-Based Weakly-Supervised Semantic Segmentation with Its Class Label [16.745019028033518]
  画像レベルのクラスから情報を得たスクリブルアノテーションと擬似ラベルと、監督のためのグローバルセマンティクスの両方を利用するクラス駆動型スクリブルプロモーションネットワークを提案する。 スクリブルアノテーションの異なる性質を持つScribbleSupデータセットの実験は、従来の手法よりも優れており、本手法の優位性と堅牢性を示している。
  論文  参考訳（メタデータ） (2024-02-27T14:51:56Z)
• ZScribbleSeg: Zen and the Art of Scribble Supervised Medical Image Segmentation [16.188681108101196]
  弱い教師付きセグメンテーションにのみスクリブルアノテーションを活用することを提案する。 既存のソリューションは主に注釈付き領域でのみ計算された選択的損失を利用する。 空間的関係と形状を事前にエンコードする正規化項を導入する。 我々は、ZScribbleSegと表記される統合フレームワークに、効率的なスクリブル監視を前者と統合する。
  論文  参考訳（メタデータ） (2023-01-12T09:00:40Z)
• Pointly-Supervised Panoptic Segmentation [106.68888377104886]
  弱教師付き単眼セグメンテーションにポイントレベルのアノテーションを適用するための新しい手法を提案する。 完全に教師された方法で使用される高密度のピクセルレベルラベルの代わりに、ポイントレベルラベルは、監督対象ごとに単一のポイントしか提供しない。 我々は、ポイントレベルのラベルから同時に汎視的擬似マスクを生成し、それらから学習することで、エンドツーエンドのフレームワークにおける問題を定式化する。
  論文  参考訳（メタデータ） (2022-10-25T12:03:51Z)
• Structured Semantic Transfer for Multi-Label Recognition with Partial Labels [85.6967666661044]
  部分ラベル付きマルチラベル認識モデルのトレーニングを可能にする構造化意味伝達(SST)フレームワークを提案する。 このフレームワークは2つの相補的なトランスファーモジュールから構成され、インテリアイメージとクロスイメージセマンティック相関を探索する。 Microsoft COCO、Visual Genome、Pascal VOCデータセットの実験は、提案されたSSTフレームワークが現在の最先端アルゴリズムよりも優れたパフォーマンスが得られることを示している。
  論文  参考訳（メタデータ） (2021-12-21T02:15:01Z)
• A Closer Look at Self-training for Zero-Label Semantic Segmentation [53.4488444382874]
  トレーニング中に見られないクラスをセグメント化できることは、ディープラーニングにおいて重要な技術的課題です。 事前のゼロラベルセマンティクスセグメンテーションは、ビジュアル・セマンティクスの埋め込みや生成モデルを学ぶことによってこのタスクにアプローチする。 本研究では,同一画像の異なる増分から生じる擬似ラベルの交点を取り出し,ノイズの多い擬似ラベルをフィルタリングする整合性正規化器を提案する。
  論文  参考訳（メタデータ） (2021-04-21T14:34:33Z)
• Learning from Pixel-Level Label Noise: A New Perspective for Semi-Supervised Semantic Segmentation [12.937770890847819]
  ピクセルレベルのノイズラベルに対処するためのグラフベースのラベルノイズ検出および補正フレームワークを提案する。 特に,クラスアクティベーションマップ(cam)による弱い監督から生成した画素レベルのノイズラベルに対して,強い監督を施したクリーンセグメンテーションモデルを訓練する。 最後に,超画素ベースのグラフを用いて,画像中の画素間の空間的隣接性と意味的類似性の関係を表現する。
  論文  参考訳（メタデータ） (2021-03-26T03:23:21Z)
• PseudoSeg: Designing Pseudo Labels for Semantic Segmentation [78.35515004654553]
  ラベルなしまたは弱いラベル付きデータを用いたトレーニングのための構造化された擬似ラベルを生成するための擬似ラベルの再設計を提案する。 提案手法の有効性を,低データと高データの両方において示す。
  論文  参考訳（メタデータ） (2020-10-19T17:59:30Z)
• PCAMs: Weakly Supervised Semantic Segmentation Using Point Supervision [12.284208932393073]
  本稿では,ある点レベルのアノテーションが与えられた画像から意味的セグメンテーションを生成する新しい手法を提案する。 提案するCNNは,通常,地上の真理ラベルの代わりに擬似ラベルを用いて完全に教師される。 提案手法は,PASCAL VOC 2012 データセットを引用した PASCAL VOC 2012 のセマンティックセマンティックセマンティフィケーションのための技術結果の状態を達成し,より強いバウンディングボックスやリスグル管理のための技術手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-07-10T21:25:27Z)

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。