論文の概要: Weakly Supervised Incremental Segmentation via Semantic Anchors and Spatial Arbitration

• arxiv url: http://arxiv.org/abs/2606.04060v1
• Date: Tue, 02 Jun 2026 12:10:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.277784
• Title: Weakly Supervised Incremental Segmentation via Semantic Anchors and Spatial Arbitration
• Title（参考訳）: 意味的アンカーと空間的アロメーションによる弱監視インクリメンタルセグメンテーション
• Authors: Zhonggai Wang, Kai Fang, Guangyu Gao,
• Abstract要約: SASAはセマンティックアンカーと空間配置によるセマンティック学習を安定化させるように設計されている。 表現レベルでは、学習可能なトークンのセマンティックアンカーを、長期的なセマンティックアイデンティティを保持するための厳密なクラスレベルの参照として導入する。 本研究では,信頼できない信号を直接フィルタリングし,厳密な「1つの対象,1つのクラス」制約を強制する空間ラベルアロケーション機構を開発する。
• 参考スコア（独自算出の注目度）: 8.498917049783191
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Weakly Incremental Learning for Semantic Segmentation (WILSS) suffers from the continuous introduction of noisy supervision, which progressively corrupts class-level representations, leading to severe feature drift and semantic corruption, thereby causing newly learned classes to overwrite old ones. To address these issues, we propose a drift-resilient WILSS approach, named SASA, designed to stabilize semantic learning via Semantic Anchors and Spatial Arbitration. Specifically, at the representation level, we introduce semantic anchors of learnable tokens as rigid class-level references to preserve long-term semantic identity. Complementary to this, an elastic residual adaptation facilitates controlled, instance-specific refinement, ensuring a stable yet flexible learning trajectory. At the supervision level, we develop a Spatial Label Arbitration mechanism that performs geometry-aware decisions to directly filter unreliable signals and enforce a strict "one object, one class" constraint. By synergistically stabilizing representations and improving supervision reliability, SASA effectively mitigates feature drift under weak supervision. Extensive experiments on standard benchmarks demonstrate that our approach consistently outperforms existing state-of-the-art methods, particularly in challenging multi-step incremental settings. The code is available at https://github.com/ZhonggaiWang/SASA.
• Abstract（参考訳）: WILSS(Wakly Incremental Learning for Semantic Segmentation)は、クラスレベルの表現を徐々に劣化させ、深刻な特徴の漂流とセマンティックな腐敗を招き、新しく学習したクラスが古いクラスを上書きする原因となっている。 これらの問題に対処するため,セマンティックアンカーと空間的アロケーションによるセマンティック学習を安定化させるために,SASAと呼ばれるドリフト耐性WILSSアプローチを提案する。 具体的には、表現レベルでは、学習可能なトークンのセマンティックアンカーを、長期的なセマンティックアイデンティティを保持するための厳密なクラスレベルの参照として導入する。 これと相まって、弾力的な残留適応は、制御されたインスタンス固有の洗練を促進し、安定で柔軟な学習軌道を確保する。 本研究では,信頼できない信号を直接フィルタリングし,厳密な「1つの対象,1つのクラス」制約を強制する空間ラベルアロケーション機構を開発する。 表現を相乗的に安定化させ、監督信頼性を向上させることにより、SASAは、弱い監督下での機能ドリフトを効果的に軽減する。 標準ベンチマークでの大規模な実験により、我々のアプローチは既存の最先端手法、特にマルチステップのインクリメンタルな設定において一貫して優れています。 コードはhttps://github.com/ZhonggaiWang/SASAで公開されている。

関連論文リスト

• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• Learning to Label: A Reinforced Self-Evolving Framework for Semi-supervised Referring Expression Segmentation [34.401271440453044]
  Labelへの学習は、擬似ラベル構成を学習可能な意思決定プロセスとして採用する。 安定した学習を確保するために、探索的決定プロセスとして強化された擬似ラベル選択を定式化する。 RefCOCO、RefCO+、RefCOCOgの実験は、既存の方法よりも改善されている。
  論文  参考訳（メタデータ） (2026-05-27T09:54:26Z)
• Dance Across Shifts: Forward-Facilitation Continual Test-Time Adaptation through Dynamic Style Bridging [65.11234199720428]
  継続的テスト時間適応(Continuous Test-Time Adaptation)は、デプロイメント後に発生する動的分散シフトを処理するために、知覚システムを強化することを目的としている。 動的スタイルブリッジと呼ばれる手法により,新しいフォワードファシリケーションパラダイムを導入する。 テスト期間中に、固有の生成バイアスを緩和し、これらのプロキシを入力データに適用するために、マルチレベルブリッジ機構を提案する。
  論文  参考訳（メタデータ） (2026-05-18T16:18:17Z)
• AIFIND: Artifact-Aware Interpreting Fine-Grained Alignment for Incremental Face Forgery Detection [23.80607349547519]
  AIFIND, Artifact-Aware Interpreting Fine-Grained Alignment for Incremental Face Forgery Detectionを提案する。 セマンティックアンカーを使用して、漸進的な学習を安定化します。
  論文  参考訳（メタデータ） (2026-04-17T16:17:12Z)
• CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
  我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。 静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。 LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
  論文  参考訳（メタデータ） (2026-02-04T00:12:30Z)
• Unsupervised Online 3D Instance Segmentation with Synthetic Sequences and Dynamic Loss [52.28880405119483]
  教師なしのオンライン3Dインスタンスのセグメンテーションは、基本的だが難しい課題だ。 UNITのような既存の手法はこの方向に進んできたが、訓練の多様性が制限されているままである。 本稿では,合成点雲列生成によるトレーニング分布の強化を目的とした新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-27T08:53:27Z)
• LLM-Assisted Semantic Guidance for Sparsely Annotated Remote Sensing Object Detection [25.9348571356454]
  リモートセンシングオブジェクト検出のためのLLM支援セマンティックガイダンスフレームワーク Dense Pseudo-Label Assignmentメカニズムは、ラベルなしデータと疎ラベル付きデータの両方に擬似ラベルを適応的に割り当てる。 Adaptive Hard-Negative Reweighting Module による教師付き学習領域の安定化
  論文  参考訳（メタデータ） (2025-09-21T08:05:43Z)
• Source-Free Domain Adaptive Object Detection with Semantics Compensation [54.00183496587841]
  Weak-to-strong Semantics Compensation (WSCo)を導入する。 WSCoは、クラス関連セマンティクスを補う。 WSCoは一般的なプラグインとして実装することができ、既存のSFODパイプラインと容易に統合できます。
  論文  参考訳（メタデータ） (2024-10-07T23:32:06Z)
• Enhancing Robustness of Vision-Language Models through Orthogonality Learning and Self-Regularization [77.62516752323207]
  そこで本研究では,事前訓練した重みを効率よく微調整する直交微調整法を導入し,頑健さと一般化の強化を実現した。 自己正規化戦略は、OrthSRと呼ばれるVLMのゼロショット一般化の観点から安定性を維持するためにさらに活用される。 筆者らはCLIPとCoOpを再検討し,少数の画像のクラスフィシエーションシナリオにおけるモデルの改善を効果的に行う。
  論文  参考訳（メタデータ） (2024-07-11T10:35:53Z)
• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)
• Learning Prompt-Enhanced Context Features for Weakly-Supervised Video Anomaly Detection [37.99031842449251]
  弱い監督下での映像異常検出は重大な課題を呈する。 本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。 提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2023-06-26T06:45:16Z)

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。