論文の概要: Who Needs Labels? Adapting Vision Foundation Models With the Metadata You Already Have

• arxiv url: http://arxiv.org/abs/2606.05107v1
• Date: Wed, 03 Jun 2026 17:10:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.918968
• Title: Who Needs Labels? Adapting Vision Foundation Models With the Metadata You Already Have
• Title（参考訳）: ラベルを誰が必要か? すでに持っているメタデータでビジョン・ファンデーション・モデルを適用する
• Authors: Elouan Gardès, Seung Eun Yi, Kartik Ahuja, Théo Moutakanni, Huy V. Vo, Piotr Bojanowski, Wolfgang M. Pernice, Loïc Landrieu, Camille Couprie,
• Abstract要約: 本稿では,強力だが汎用的な視覚基盤モデルを専門分野に適用するためのラベルフリーアプローチを提案する。 我々の手法であるFINOは、標準的な自己教師対象と柔軟なメタデータガイダンスを組み合わせたものである。 標準の非教師付きドメイン適応と完全な教師付きドメイン適応を一貫して上回る。
• 参考スコア（独自算出の注目度）: 28.360344714913193
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a label-free approach to adapt powerful but generic vision foundation models to specialized scientific domains. Standard supervised fine-tuning is often ill-suited to these settings: labels are scarce, and task-specific training can collapse the model's generality and hurt robustness. We instead leverage metadata to adapt representations to new domains in a self-supervised manner. Our method, FINO, combines a standard self-supervised objective with flexible metadata guidance that handles both highly granular discrete metadata and continuous metadata. It encourages the representation to preserve informative factors while suppressing spurious ones. Across subcellular fluorescence microscopy, Earth observation, wildlife monitoring, and medical imaging, FINO consistently outperforms standard unsupervised domain adaptation and fully supervised adaptation. It also exceeds highly-specialized domain-specific state of the art, while using no task labels for backbone adaptation and only lightweight probes for supervision.
• Abstract（参考訳）: 本稿では,強力だが汎用的な視覚基盤モデルを専門分野に適用するためのラベルフリーアプローチを提案する。 ラベルは不足しており、タスク固有のトレーニングはモデルの一般性を崩壊させ、堅牢性を損なう可能性がある。 代わりにメタデータを活用して、自己管理的な方法で表現を新しいドメインに適応します。 我々の手法であるFINOは、高粒度の離散メタデータと連続メタデータの両方を扱う柔軟なメタデータガイダンスと、標準的な自己教師対象を組み合わせたものである。 これは、刺激的な要因を抑えつつ、情報的要因の表現を奨励する。 細胞内蛍光顕微鏡、地球観測、野生生物のモニタリング、医用画像などを通じて、FINOは標準の非教師なし領域適応と完全に監督された適応を一貫して上回っている。 また、バックボーン適応のためのタスクラベルは使用せず、監督のための軽量プローブのみを使用する。

関連論文リスト

• Dual-Teacher Distillation with Subnetwork Rectification for Black-Box Domain Adaptation [69.7036779439312]
  ブラックボックスドメイン適応は、非常に実用的で非常に困難な設定である。 ブラックボックスソースモデルに埋め込まれた特定の知識を活用するサブネットワーク整合モデル(DDSR)を用いた二重蒸留法を提案する。 我々の手法は、ソースデータやモデルの使用を含む、最先端の手法に対する一貫した改善を実証する。
  論文  参考訳（メタデータ） (2026-03-24T07:54:19Z)
• Automated Standardization of Legacy Biomedical Metadata Using an Ontology-Constrained LLM Agent [0.1105171275481129]
  バイオメディカルメタデータの自動標準化システムを提案する。 システムは、要求に応じて正則正しい語彙語を検索するために、権威的用語サービスをリアルタイムでクエリする。 評価の結果,LLMをリアルタイムツールアクセスで拡張することにより,予測精度が一貫した向上が得られた。
  論文  参考訳（メタデータ） (2026-03-10T18:47:30Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• Adapting Vision-Language Models Without Labels: A Comprehensive Survey [74.17944178027015]
  VLM(Vision-Language Models)は、幅広いタスクにまたがる顕著な一般化機能を示す。 近年,ラベル付きデータに依存しない教師なし適応手法に注目が集まっている。 本稿では,未ラベルの視覚データの可用性と性質に基づく分類法を提案し,既存のアプローチを4つの重要なパラダイムに分類する。
  論文  参考訳（メタデータ） (2025-08-07T16:27:37Z)
• 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)
• Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
  異常検出は、医学診断や工業的欠陥検出などの分野において重要である。 CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。 クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
  論文  参考訳（メタデータ） (2025-04-15T10:42:25Z)
• Not All Data are Good Labels: On the Self-supervised Labeling for Time Series Forecasting [37.189362258417624]
  本稿では,候補データセットを自然に構築することで,時系列データセットを再ラベルする新たな自己教師型アプローチについて検討する。 単純な再構成ネットワークの最適化において、中間体は自己管理パラダイムの擬似ラベルとして使用される。 実世界の11のデータセットの実験では、SCAMは様々なバックボーンモデルの性能を一貫して改善している。
  論文  参考訳（メタデータ） (2025-02-20T16:29:37Z)
• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• UDAMA: Unsupervised Domain Adaptation through Multi-discriminator Adversarial Training with Noisy Labels Improves Cardio-fitness Prediction [16.26599832125242]
  UDAMAは、教師なしドメイン適応と多識別器適応訓練の2つの重要な要素を持つ手法である。 特に,心呼吸適合度(CRF)予測に応用することで,UDAMAの実用可能性を示す。 この結果から,様々なラベルシフト設定における分布シフトを緩和し,有望な性能を示す。
  論文  参考訳（メタデータ） (2023-07-31T13:31:53Z)

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。