論文の概要: Right Regions, Wrong Labels: Semantic Label Flips in Segmentation under Correlation Shift

• arxiv url: http://arxiv.org/abs/2604.13326v1
• Date: Tue, 14 Apr 2026 22:15:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.316917
• Title: Right Regions, Wrong Labels: Semantic Label Flips in Segmentation under Correlation Shift
• Title（参考訳）: 右領域, 右ラベル: 相関シフト下におけるセグメンテーションにおける意味ラベルフリップ
• Authors: Akshit Achara, Yovin Yathathugoda, Nick Byrne, Michela Antonelli, Esther Puyol Anton, Alexander Hammers, Andrew P. King,
• Abstract要約: 間違ったセマンティックラベルを割り当てている間に、モデルが合理的に重複する可能性があることを示す。 簡単な診断(フリップ)で定量化して、真理前景の画素が間違った前景のアイデンティティに割り当てられる頻度をカウントする。
• 参考スコア（独自算出の注目度）: 36.96633404761302
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The robustness of machine learning models can be compromised by spurious correlations between non-causal features in the input data and target labels. A common way to test for such correlations is to train on data where the label is strongly tied to some non-causal cue, then evaluate on examples where that tie no longer holds. This idea is well established for classification tasks, but for semantic segmentation the specific failure modes are not well understood. We show that a model may achieve reasonable overlap while assigning the wrong semantic label, swapping one plausible foreground class for another, even when object boundaries are largely correct. We focus on this semantic label-flip behaviour and quantify it with a simple diagnostic (Flip) that counts how often ground truth foreground pixels are assigned the wrong foreground identity while remaining predicted as foreground. In a setting where category and scene are correlated during training, increasing the correlation consistently widens the gap between common and rare test conditions and increases these within-object label swaps on counterfactual groups. Overall, our results motivate assessing segmentation robustness under distribution shift beyond overlap by decomposing foreground errors into correct pixels, flipped-identity pixels, and missed-to-background pixels. We also propose an entropy-based, ground truth label-free `flip-risk' score, which is computed from foreground identity uncertainty, and show that it can flag flip-prone cases at inference time. Code is available at https://github.com/acharaakshit/label-flips.
• Abstract（参考訳）: 機械学習モデルのロバスト性は、入力データにおける非因果的特徴とターゲットラベルの間の急激な相関によって損なわれる可能性がある。 このような相関性をテストする一般的な方法は、ラベルがいくつかの非因果関係に強く結びついているデータでトレーニングし、そのネクタイがもはや保持されていない例で評価することである。 このアイデアは分類タスクには適しているが、セマンティックセグメンテーションには、特定の障害モードがよく理解されていない。 オブジェクト境界が大まかに正しい場合でも、あるモデルが間違ったセマンティックラベルを割り当て、あるもっともらしい前景クラスを別のクラスに置き換えることで、妥当なオーバーラップが達成できることを示します。 我々は、このセマンティックラベルフリップの振る舞いに注目し、それを単純な診断(Flip)で定量化する。 トレーニング中にカテゴリとシーンが相関する環境では、相関関係の増大が一般的なテスト条件と稀なテスト条件のギャップを一貫して拡大し、これらのイントラオブジェクトラベルスワップを対物グループで増加させる。 総じて, 前景誤差を正画素, 真正画素, 裏地画素に分解することにより, 重なり以上の分布シフト下でのセグメンテーションロバスト性を評価する動機付けを行った。 また,前景の身元不確実性から算出したエントロピーに基づく「フリップリスク」スコアを提案する。 コードはhttps://github.com/acharaakshit/label-flips.comで入手できる。

関連論文リスト

• Segmentation with Noisy Labels via Spatially Correlated Distributions [3.522950356329991]
  本稿では,ラベル誤りを含むトレーニングデータを想定した確率モデルに基づくベイズ推定手法を提案する。 提案手法は,中等度雑音下でのクリーンラベルによるトレーニングに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2025-04-21T01:50:10Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Label Inference Attack against Split Learning under Regression Setting [24.287752556622312]
  回帰モデルのシナリオにおいて,プライベートラベルが連続数である場合の漏洩について検討する。 グラデーション情報と追加学習正規化目標を統合した,新たな学習ベースアタックを提案する。
  論文  参考訳（メタデータ） (2023-01-18T03:17:24Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• Automated Detection of Label Errors in Semantic Segmentation Datasets via Deep Learning and Uncertainty Quantification [5.279257531335345]
  ピクセルワイドラベルを用いたセマンティックセグメンテーションデータセットにおけるラベル誤り検出手法を初めて提案する。 提案手法では,誤検出回数を制御しながら,ラベルエラーの大部分を検出することができる。
  論文  参考訳（メタデータ） (2022-07-13T10:25:23Z)
• 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)
• Measuring Model Biases in the Absence of Ground Truth [2.802021236064919]
  根拠となる真理ラベルに依存しない公平さと偏見の測定に新たなフレーミングを導入する。 代わりに、ある画像のモデル予測を、自然言語処理(NLP)で使用される「言葉の袋」アプローチに類似したラベルの集合として扱う。 異なる相関指標の統計的性質(特に正規化)が,「生成バイアス」が検出されるラベルの異なる集合にどのようにつながるかを実証する。
  論文  参考訳（メタデータ） (2021-03-05T01:23:22Z)
• Debiased Contrastive Learning [64.98602526764599]
  我々は,同ラベルデータポイントのサンプリングを補正する,偏りのあるコントラスト目的の開発を行う。 実証的に、提案する目的は、視覚、言語、強化学習ベンチマークにおける表現学習の最先端を一貫して上回る。
  論文  参考訳（メタデータ） (2020-07-01T04:25:24Z)

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。