論文の概要: A Robust Semantic Segmentation Pipeline for the CVPR 2026 8th UG2+ Challenge Track 2

• arxiv url: http://arxiv.org/abs/2605.22216v2
• Date: Fri, 22 May 2026 03:03:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 14:44:53.773013
• Title: A Robust Semantic Segmentation Pipeline for the CVPR 2026 8th UG2+ Challenge Track 2
• Title（参考訳）: CVPR 2026 8th UG2+チャレンジトラック2のロバストなセマンティックセマンティックセグメンテーションパイプライン
• Authors: Jinming Chai, Libo Yan, Licheng Jiao, Fang Liu,
• Abstract要約: 本研究では,悪天候下での意味的セグメンテーション作業のための半教師付きセグメンテーションパイプラインを提案する。 我々の方法は外部データを用いることなく、WeatherProofデータセットにのみトレーニングされる。
• 参考スコア（独自算出の注目度）: 45.117750235316954
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This report presents our solution for the WeatherProof Dataset Challenge, namely CVPR 2026 8th UG2+ Challenge Track 2: Semantic Segmentation in Adverse Weather. For the semantic segmentation task under adverse weather conditions, we propose a semi-supervised segmentation pipeline. Our method is trained exclusively on the WeatherProof dataset, without using any additional external data. Specifically, we adopt UniMatch V2 as the baseline model and treat all degraded-weather images as unlabeled data for semi-supervised training, thereby fully exploiting the data distribution provided by the challenge. During inference, we further apply test-time augmentation to improve the robustness and segmentation accuracy of the final predictions. The code is publicly available at: https://github.com/ylb888/weatherproof-challenge-unimatchv2.
• Abstract（参考訳）: 本稿では, CVPR 2026 8th UG2+ Challenge Track 2: Semantic Segmentation in Adverse Weatherについて述べる。 悪天候条件下でのセグメンテーション課題に対して,半教師付きセグメンテーションパイプラインを提案する。 我々の方法は外部データを用いることなく、WeatherProofデータセットにのみトレーニングされる。 具体的には、UniMatch V2をベースラインモデルとして採用し、半教師付きトレーニングのためのラベル付きデータとして、すべての劣化したウェザー画像を扱い、課題によって提供されるデータ分布を完全に活用する。 推論中、最終予測のロバスト性およびセグメンテーション精度を向上させるためにテスト時間拡張を適用する。 コードは、https://github.com/ylb888/weatherproof-challenge-unimatchv2で公開されている。

関連論文リスト

• SemiDDM-Weather: A Semi-supervised Learning Framework for All-in-one Adverse Weather Removal [57.52777076116241]
  逆天候除去は、悪天候下で透明な視界を回復することを目的としている。 本稿では教師ネットワーク上に構築された半教師付きオールインワン悪天候除去フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-29T12:12:22Z)
• Solution for CVPR 2024 UG2+ Challenge Track on All Weather Semantic Segmentation [9.322345758563886]
  UG2+ Challenge at CVPR 2024において, 悪天候におけるセマンティックセグメンテーションの解決法について述べる。 InternImage-Hのバックボーンを,大規模関節データセットから事前トレーニングした重み付きで初期化し,最先端のUpernetセグメンテーション手法で強化する。 提案手法は,テストセット上での高度な性能を実証し,この課題において第3位を達成している。
  論文  参考訳（メタデータ） (2024-06-09T15:56:35Z)
• A Two-Stage Adverse Weather Semantic Segmentation Method for WeatherProof Challenge CVPR 2024 Workshop UG2+ [10.069192320623031]
  We propose a two-stage Deep Learning framework for the WeatherProof dataset Challenge。 この課題では,mIoU(Mean Intersection over Union)測定値で0.43の競争スコアを達成し,上位4位を確保した。
  論文  参考訳（メタデータ） (2024-06-08T16:22:26Z)
• Enhanced Semantic Segmentation Pipeline for WeatherProof Dataset Challenge [2.722639169181398]
  本報告では、WeatherProofデータセットチャレンジの勝利ソリューションについて述べる。 本稿では,この課題に対するセマンティックセグメンテーションパイプラインの強化を提案する。 我々は、より広い視角を持つ新しいデータセットであるWeatherProofExtraを導入し、データ拡張手法を採用した。 私たちのソリューションは、最終リーダーボードで1位にランクされています。
  論文  参考訳（メタデータ） (2024-06-06T07:12:50Z)
• Learning Real-World Image De-Weathering with Imperfect Supervision [57.748585821252824]
  既存の現実世界のデヒータリングデータセットは、接地トラス画像と入力された劣化画像の間に、一貫性のない照明、位置、テクスチャを示すことが多い。 我々は、入力劣化画像と可能な限り一貫性のある擬似ラベルを生成するための一貫性ラベルコンストラクタ(CLC)を開発した。 我々は,従来の不完全ラベルと擬似ラベルを組み合わせることで,情報割当戦略による脱ウェザリングモデルを共同で監督する。
  論文  参考訳（メタデータ） (2023-10-23T14:02:57Z)
• 1st Place Solution of The Robust Vision Challenge (RVC) 2022 Semantic Segmentation Track [67.56316745239629]
  本報告では,ECCV 2022におけるロバストビジョンチャレンジのセマンティックセグメンテーション課題に対する勝利解について述べる。 本手法では,エンコーダとしてFAN-B-Hybridモデルを採用し,セグメンテーションフレームワークとしてSegformerを使用している。 提案手法は,マルチドメインセグメンテーションタスクの強力なベースラインとして機能し,今後の作業に役立てることができる。
  論文  参考訳（メタデータ） (2022-10-23T20:52:22Z)

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。