論文の概要: Weakly Supervised Segmentation as Semantic-Based Regularization

• arxiv url: http://arxiv.org/abs/2605.13674v1
• Date: Wed, 13 May 2026 15:33:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:28.13638
• Title: Weakly Supervised Segmentation as Semantic-Based Regularization
• Title（参考訳）: セマンティックな正規化としての弱い監督されたセグメンテーション
• Authors: Stefano Colamonaco, Andrei-Bogdan Florea, Jaron Maene,
• Abstract要約: 弱教師付きセマンティックセグメンテーション(WSSS)は、部分的または粗いアノテーションから高密度ピクセルレベルのセグメンテーションモデルを訓練する。 我々は、微分可能なファジィ論理と深いセグメンテーションモデルを統合するという、ニューロシンボリックな視点を採っている。 論理誘導による微調整により、高品質な擬似ラベルが得られ、最先端のセグメンテーションがもたらされることを示す。
• 参考スコア（独自算出の注目度）: 5.8837215684098645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Weakly supervised semantic segmentation (WSSS) trains dense pixel-level segmentation models from partial or coarse annotations such as bounding boxes, scribbles, or image-level tags. While recent work leverages foundation models such as the Segment Anything Model (SAM) to generate pseudo-labels, these approaches typically depend on heuristic prompt choices and offer limited ways to incorporate prior knowledge or heterogeneous labels. We address this gap by taking a neurosymbolic perspective: integrating differentiable fuzzy logic with deep segmentation models. Weak annotations and domain-specific priors are unified as continuous logical constraints that fine-tune SAM under weak supervision. The refined foundation model then produces improved pseudo-labels, from which we train a second-stage prompt-free segmentation model. Experiments on Pascal VOC 2012 and the REFUGE2 optic disc/cup segmentation dataset show that our logic-guided fine-tuning yields higher-quality pseudo-labels, leading to state-of-the-art segmentation accuracy that often exceeds densely supervised baselines.
• Abstract（参考訳）: 弱教師付きセマンティックセグメンテーション(WSSS)は、バウンディングボックス、スクリブル、イメージレベルのタグなどの部分的または粗いアノテーションから、高密度ピクセルレベルのセグメンテーションモデルを訓練する。 最近の研究は、Segment Anything Model(SAM)のような基礎モデルを利用して擬似ラベルを生成するが、これらのアプローチは通常、ヒューリスティックな迅速な選択に依存し、事前知識や異種ラベルを組み込む限られた方法を提供している。 ニューロシンボリックな観点から、微分可能なファジィ論理と深いセグメンテーションモデルを統合することで、このギャップに対処する。 弱いアノテーションとドメイン固有の事前は、弱い監督下でSAMを微調整する連続的な論理的制約として統合されます。 改良された基礎モデルは改良された擬似ラベルを生成し、そこから第2段階のプロンプトフリーセグメンテーションモデルを訓練する。 Pascal VOC 2012とREFUGE2光ディスク/カップセグメンテーションデータセットの実験により、我々の論理誘導微調整は高品質な擬似ラベルをもたらすことが示され、しばしば密度の高い教師付きベースラインを超える最先端のセグメンテーション精度がもたらされる。

関連論文リスト

• SemiSAM-O1: How far can we push the boundary of annotation-efficient medical image segmentation? [25.101921825239533]
  SemiSAM-O1はアノテーション効率のよいフレームワークであり、セグメンテーションのために1つの注釈付きテンプレートイメージのみを使用する。 幅広いセグメンテーションタスクの実験により、SemiSAM-O1は1ラベルの半教師付き学習と全監督の間のパフォーマンスギャップを著しく狭めることが示された。
  論文  参考訳（メタデータ） (2026-04-27T07:04:48Z)
• 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)
• Enhancing Weakly Supervised Semantic Segmentation with Multi-modal Foundation Models: An End-to-End Approach [7.012760526318993]
  Weakly-Supervised Semantic (WSSS)は、広範囲なラベリングに対してコスト効率のよい回避手段を提供する。 既存のWSSSメソッドは、セグメンテーション結果の低さにつながるオブジェクトの境界を理解するのに苦労しています。 本稿では,境界ボックス内の視覚的基盤モデルを活用することにより,これらの問題に対処する,新しい効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-10T16:42:25Z)
• COSST: Multi-organ Segmentation with Partially Labeled Datasets Using Comprehensive Supervisions and Self-training [15.639976408273784]
  ディープラーニングモデルは、マルチ組織セグメンテーションにおいて顕著な成功を収めてきたが、典型的には、興味のあるすべての器官に注釈を付けた大規模なデータセットを必要とする。 利用可能な部分ラベル付きデータセットの統一モデルを学習して、そのシナジスティックなポテンシャルを活用する方法については、調査が不可欠である。 COSSTと呼ばれる新しい2段階のフレームワークを提案し、このフレームワークは包括的監視信号と自己学習を効果的に効率的に統合する。
  論文  参考訳（メタデータ） (2023-04-27T08:55:34Z)
• Stochastic Segmentation with Conditional Categorical Diffusion Models [3.8168879948759953]
  Denoising Diffusion Probabilistic Models に基づくセマンティックセグメンテーションのための条件カテゴリー拡散モデル(CCDM)を提案する。 以上の結果から,CCDMはLIDC上での最先端性能を実現し,従来のセグメンテーションデータセットであるCityscapesのベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-03-15T19:16:47Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• 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)
• Equivalence of Segmental and Neural Transducer Modeling: A Proof of Concept [56.46135010588918]
  RNN-Transducerモデルとセグメントモデル(直接HMM)の広く使われているクラスが等価であることを証明する。 空白確率はセグメント長確率に変換され,その逆も示された。
  論文  参考訳（メタデータ） (2021-04-13T11:20:48Z)
• 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)
• Causal Intervention for Weakly-Supervised Semantic Segmentation [122.1846968696862]
  画像レベルのラベルのみを用いて、より優れたピクセルレベルの擬似マスクを生成することを目指している。 画像,コンテキスト,およびクラスラベル間の因果関係を分析するための構造因果モデルを提案する。 そこで本研究では,画像レベルの分類において,矛盾するバイアスを取り除くためのコンテキスト調整(CONTA)手法を提案する。
  論文  参考訳（メタデータ） (2020-09-26T09:26:29Z)

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。