論文の概要: Accuracy Improvement of Semi-Supervised Segmentation Using Supervised ClassMix and Sup-Unsup Feature Discriminator

• arxiv url: http://arxiv.org/abs/2604.07122v1
• Date: Wed, 08 Apr 2026 14:18:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.575951
• Title: Accuracy Improvement of Semi-Supervised Segmentation Using Supervised ClassMix and Sup-Unsup Feature Discriminator
• Title（参考訳）: 教師付きクラスミクスとSup-Unsup特徴判別器を用いた半教師付きセグメンテーションの精度向上
• Authors: Takahiro Mano, Reiji Saito, Kazuhiro Hotta,
• Abstract要約: 従来の半教師付き学習手法であるClassMixは、ラベルなし画像から予測されたクラスラベルを他の画像に貼り付ける。 ラベル付き画像のクラスラベルと対応する画像領域をラベル付き画像とその擬似ラベル付き画像に貼り付ける手法を提案する。 本稿では,ラベル付き画像とより類似したラベル付き画像の予測を行うようにモデルを訓練する手法を提案する。
• 参考スコア（独自算出の注目度）: 17.179617344873275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In semantic segmentation, the creation of pixel-level labels for training data incurs significant costs. To address this problem, semi-supervised learning, which utilizes a small number of labeled images alongside unlabeled images to enhance the performance, has gained attention. A conventional semi-supervised learning method, ClassMix, pastes class labels predicted from unlabeled images onto other images. However, since ClassMix performs operations using pseudo-labels obtained from unlabeled images, there is a risk of handling inaccurate labels. Additionally, there is a gap in data quality between labeled and unlabeled images, which can impact the feature maps. This study addresses these two issues. First, we propose a method where class labels from labeled images, along with the corresponding image regions, are pasted onto unlabeled images and their pseudo-labeled images. Second, we introduce a method that trains the model to make predictions on unlabeled images more similar to those on labeled images. Experiments on the Chase and COVID-19 datasets demonstrated an average improvement of 2.07% in mIoU compared to conventional semi-supervised learning methods.
• Abstract（参考訳）: セマンティックセグメンテーションでは、トレーニングデータのためのピクセルレベルのラベルの作成は、かなりのコストを発生させる。 この問題に対処するため,少数のラベル付き画像とラベル付き画像を用いた半教師付き学習が注目されている。 従来の半教師付き学習手法であるClassMixは、ラベルなし画像から予測されたクラスラベルを他の画像に貼り付ける。 しかし、ClassMixはラベルのない画像から得られた擬似ラベルを用いて操作を行うため、不正確なラベルを扱うリスクがある。 さらに、ラベル付き画像とラベルなし画像の間にはデータ品質のギャップがあり、機能マップに影響を与える可能性がある。 本研究はこれらの2つの問題に対処する。 まず,ラベル付き画像のクラスラベルと対応する画像領域をラベル付き画像とその擬似ラベル付き画像に貼り付ける手法を提案する。 次に,ラベル付き画像とより類似したラベル付き画像の予測を行うようにモデルを訓練する手法を提案する。 ChaseとCOVID-19データセットの実験では、従来の半教師付き学習法と比較して、mIoUの平均2.07%の改善が示された。

関連論文リスト

• Adaptive Pseudo Label Selection for Individual Unlabeled Data by Positive and Unlabeled Learning [4.5810803542748495]
  本稿では,正・未ラベルのデータのみを二項分類問題に用いた正・非ラベル学習について紹介する。 PU学習により、様々な背景領域の擬似ラベルを簡単に選択できる。
  論文  参考訳（メタデータ） (2025-08-11T02:11:49Z)
• Bidirectional Copy-Paste for Semi-Supervised Medical Image Segmentation [15.815414883505722]
  半教師付き医用画像セグメンテーションでは、ラベル付きデータとラベルなしデータの間に経験的ミスマッチ問題が存在する。 本稿では, ラベル付きとラベルなしのデータを双方向にコピー・ペーストする, 問題を緩和するための簡単な手法を提案する。 実験の結果,各種半教師付き医用画像セグメンテーションデータセットの他の最先端技術と比較すると,ACDCデータセットでは21%以上のDiceの改善が見られた(5%ラベル付きデータ)。
  論文  参考訳（メタデータ） (2023-05-01T06:06:51Z)
• Label Structure Preserving Contrastive Embedding for Multi-Label Learning with Missing Labels [30.79809627981242]
  欠落ラベルを識別するためのラベル補正機構を導入し、欠落ラベル(CLML)を用いた多ラベル画像分類において、ユニークなコントラスト損失を定義する。 既存のマルチラベルCLの損失とは異なり、CLMLは潜在表現空間における低ランクなグローバルおよびローカルなラベル依存性も保持する。 提案した戦略は、3つの標準データセットでそれぞれ1.2%、1.6%、および1.3%のマージンでResnet101モデルの分類性能を改善することが示されている。
  論文  参考訳（メタデータ） (2022-09-03T02:44:07Z)
• GuidedMix-Net: Semi-supervised Semantic Segmentation by Using Labeled Images as Reference [90.5402652758316]
  半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新しい手法である GuidedMix-Net を提案する。 ラベル付き情報を使用して、ラベルなしのインスタンスの学習をガイドする。 競合セグメンテーションの精度を達成し、mIoUを以前のアプローチに比べて+7$%大きく改善する。
  論文  参考訳（メタデータ） (2021-12-28T06:48:03Z)
• Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
  超高解像度画像のための混合監視学習フレームワークを提案する。 パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。 画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
  論文  参考訳（メタデータ） (2021-07-02T09:46:06Z)
• GuidedMix-Net: Learning to Improve Pseudo Masks Using Labeled Images as Reference [153.354332374204]
  半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新しい手法である GuidedMix-Net を提案する。 まず、ラベル付きデータとラベルなしデータの間に特徴アライメントの目的を導入し、類似した画像対をキャプチャする。 MITransは、ラベルなしデータのさらなるプログレッシブな精細化のための強力な知識モジュールであることが示されている。 ラベル付きデータに対する教師付き学習とともに、ラベル付きデータの予測が生成した擬似マスクとともに学習される。
  論文  参考訳（メタデータ） (2021-06-29T02:48:45Z)
• Multi-Label Learning from Single Positive Labels [37.17676289125165]
  与えられた画像に対して適用可能なラベルを全て予測することは、マルチラベル分類(multi-label classification)として知られている。 その結果,ラベルの確認が著しく少ないにもかかわらず,完全ラベル付き分類器の性能にアプローチできることが示唆された。
  論文  参考訳（メタデータ） (2021-06-17T17:58:04Z)
• Grafit: Learning fine-grained image representations with coarse labels [114.17782143848315]
  本稿では,学習ラベルの提供するものよりも細かな表現を学習する問題に対処する。 粗いラベルと下層の細粒度潜在空間を併用することにより、カテゴリレベルの検索手法の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-11-25T19:06:26Z)

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。