論文の概要: CTFS : Collaborative Teacher Framework for Forward-Looking Sonar Image Semantic Segmentation with Extremely Limited Labels

• arxiv url: http://arxiv.org/abs/2603.21071v1
• Date: Sun, 22 Mar 2026 05:57:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.225081
• Title: CTFS : Collaborative Teacher Framework for Forward-Looking Sonar Image Semantic Segmentation with Extremely Limited Labels
• Title（参考訳）: CTFS : 極限定ラベルを用いた前向きソナー画像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協調型教師フレームワーク
• Authors: Ping Guo, Chengzhou Li, Guanchen Meng, Qi Jia, Jinyuan Liu, Zhu Liu, Yu Liu, Zhongxuan Luo, Xin Fan,
• Abstract要約: 本稿では,前向きなソナー画像のための協調教師セマンティックフレームワークを提案する。 指導戦略を交互に行うことで、学生モデルはソナー画像の特徴を同時に捉えながら、一般的な意味表現を学習することができる。 教師が大量のノイズのある擬似ラベルを生成できるソナー画像の課題を考慮し、さらに教師間の信頼性評価機構を設計する。
• 参考スコア（独自算出の注目度）: 30.791746870147037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As one of the most important underwater sensing technologies, forward-looking sonar exhibits unique imaging characteristics. Sonar images are often affected by severe speckle noise, low texture contrast, acoustic shadows, and geometric distortions. These factors make it difficult for traditional teacher-student frameworks to achieve satisfactory performance in sonar semantic segmentation tasks under extremely limited labeled data conditions. To address this issue, we propose a Collaborative Teacher Semantic Segmentation Framework for forward-looking sonar images. This framework introduces a multi-teacher collaborative mechanism composed of one general teacher and multiple sonar-specific teachers. By adopting a multi-teacher alternating guidance strategy, the student model can learn general semantic representations while simultaneously capturing the unique characteristics of sonar images, thereby achieving more comprehensive and robust feature modeling. Considering the challenges of sonar images, which can lead teachers to generate a large number of noisy pseudo-labels, we further design a cross-teacher reliability assessment mechanism. This mechanism dynamically quantifies the reliability of pseudo-labels by evaluating the consistency and stability of predictions across multiple views and multiple teachers, thereby mitigating the negative impact caused by noisy pseudo-labels. Notably, on the FLSMD dataset, when only 2% of the data is labeled, our method achieves a 5.08% improvement in mIoU compared to other state-of-the-art approaches.
• Abstract（参考訳）: 水中で最も重要なセンサー技術の一つとして、前方のソナーは独自の撮像特性を示す。 ソナー画像は、しばしば厳しいスペックルノイズ、低テクスチャコントラスト、音響影、幾何学的歪みの影響を受けている。 これらの要因により,従来の教師学習フレームワークでは,非常に限定されたラベル付きデータ条件下でのソナーセマンティックセグメンテーションタスクにおいて,満足なパフォーマンスを達成することが困難になる。 この問題に対処するために,前向きなソナー画像のための協調教師セマンティックセマンティックセマンティックセマンティックフレームワークを提案する。 このフレームワークは,1つの一般教師と複数のソナー固有の教師で構成される多教師協調機構を導入する。 指導戦略を交互に行うことで、学生モデルはソナー画像の特徴を同時に捉えながら一般的な意味表現を学習し、より包括的で堅牢な特徴モデリングを実現することができる。 教師が大量のノイズのある擬似ラベルを生成できるソナー画像の課題を考慮し、さらに教師間の信頼性評価機構を設計する。 このメカニズムは,複数の視点と複数の教師間の予測の一貫性と安定性を評価することによって,擬似ラベルの信頼性を動的に定量化し,うるさい擬似ラベルによる負の影響を緩和する。 特に、FLSMDデータセットでは、データの2%しかラベル付けされていない場合、他の最先端の手法と比較して、mIoUの5.08%の改善が達成される。

関連論文リスト

• Scribble-Supervised Medical Image Segmentation with Dynamic Teacher Switching and Hierarchical Consistency [7.48591408877799]
  本稿では,弱信号の監督品質を最大化するために,SDT-Netを提案する。 本手法は,最も信頼性の高い教師を適応的に選択する動的教師スイッチング (DTS) モジュールを備える。 この選択された教師は、高信頼の擬似ラベル、Pick Reliable Pixels(PRP)メカニズムによる洗練、マルチレベルの特徴アライメントという2つの相乗的メカニズムを通じて生徒を指導する。
  論文  参考訳（メタデータ） (2026-01-21T01:01:01Z)
• Semi-Supervised Biomedical Image Segmentation via Diffusion Models and Teacher-Student Co-Training [7.915123555266876]
  セマンティックセグメンテーションの深層学習は, 医用画像の解剖学的, 病理学的構造を正確に同定する上で, 優れた成果を上げている。 多くの場合、大きなアノテートされたトレーニングデータセットを必要とするため、臨床環境でのスケーラビリティが制限される。 本稿では, バイオメディカルイメージセグメンテーションのための半教師型教員学生フレームワークについて紹介する。
  論文  参考訳（メタデータ） (2025-04-02T09:41:43Z)
• Semi-supervised Semantic Segmentation for Remote Sensing Images via Multi-scale Uncertainty Consistency and Cross-Teacher-Student Attention [59.19580789952102]
  本稿では,RS画像セマンティックセグメンテーションタスクのための,新しい半教師付きマルチスケール不確かさとクロスTeacher-Student Attention(MUCA)モデルを提案する。 MUCAは、マルチスケールの不確実性整合正則化を導入することにより、ネットワークの異なる層における特徴写像間の整合性を制限する。 MUCAは学生ネットワークの誘導にクロス教師・学生の注意機構を使用し、学生ネットワークにより差別的な特徴表現を構築するよう誘導する。
  論文  参考訳（メタデータ） (2025-01-18T11:57:20Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• Cones 2: Customizable Image Synthesis with Multiple Subjects [50.54010141032032]
  本研究では,特定の対象を効率的に表現する方法と,異なる対象を適切に構成する方法について検討する。 クロスアテンションマップ内のアクティベーションを修正することにより、レイアウトはイメージ内の異なる被写体の位置を指定して分離する。
  論文  参考訳（メタデータ） (2023-05-30T18:00:06Z)
• More Photos are All You Need: Semi-Supervised Learning for Fine-Grained Sketch Based Image Retrieval [112.1756171062067]
  クロスモーダル検索のための新しい半監視フレームワークについて紹介する。 私たちの設計の中心には、連続したフォトツースケッチ生成モデルがあります。 また,不適切な生成を誘導する判別器誘導機構も導入する。
  論文  参考訳（メタデータ） (2021-03-25T17:27:08Z)

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。