論文の概要: Align and Segment: Unsupervised Learning for Building Segmentation From Misaligned Labels

• arxiv url: http://arxiv.org/abs/2607.10841v1
• Date: Sun, 12 Jul 2026 17:07:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.551927
• Title: Align and Segment: Unsupervised Learning for Building Segmentation From Misaligned Labels
• Title（参考訳）: Align and Segment: ミスアライメントラベルからセグメンテーションを構築するための教師なし学習
• Abstract要約: イメージセグメンテーションのための教師付き学習は通常、空間的に整列したイメージとラベルセットを必要とする。 ラベルの不一致は 学習モデルの性能を著しく悪化させます 本稿では,ラベルアライメントを同時に学習する,ラベルアライメントの誤りに対するトレーニング手法を提案する。
• 参考スコア（独自算出の注目度）: 15.14055526507309
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Supervised learning for image segmentation typically requires spatially aligned image and label sets. When images and labels originate from different sources, the pairing may be misaligned, which can significantly deteriorate the performance of the learned models. This is especially common in remote sensing, when aerial or satellite images are co-registered with labels from another source (e.g., OpenStreetMap). In this work, we propose a novel approach for training on misaligned labels, where we simultaneously learn the label alignment. Our align and segment (AnS) approach builds on the spatial transformer module to transform the misaligned labels using an affine transformation to provide a better learning target for a canonical semantic segmentation network. We prevent shortcut learning of misaligned labels in these semantic segmentation networks through a self-supervised regularization loss and show that it is complementary to data augmentation, especially for systematically misaligned training data. A decisive characteristic of our AnS approach is that it learns without requiring any golden labels. We experimentally show on both synthetic and real-world data from different cities that our approach enables high-quality building segmentation and precise label-image alignment at the same time. Code and derived datasets are available at https://github.com/venkanna37/align-and-segment
• Abstract（参考訳）: イメージセグメンテーションのための教師付き学習は通常、空間的に整列したイメージとラベルセットを必要とする。 画像とラベルが異なるソースから生成される場合、ペアリングは不一致になり、学習したモデルの性能が著しく低下する可能性がある。 これは特にリモートセンシングにおいて、空中または衛星画像が別のソース(例えばOpenStreetMap)のラベルと共に登録される場合において一般的である。 本研究では,ラベルアライメントを同時に学習する,ラベルアライメントの誤りに対するトレーニング手法を提案する。 我々のAnSアプローチは空間変換モジュール上に構築され、アフィン変換を用いて不整合ラベルを変換し、標準意味セグメンテーションネットワークのためのより良い学習目標を提供する。 我々は,これらのセマンティックセグメンテーションネットワークにおけるラベルの不一致を,自己教師付き正規化損失によって短時間に学習することを防止するとともに,特に系統的に不一致なトレーニングデータに対して,データ拡張と相補的であることを示す。 当社のAnSアプローチにおける決定的な特徴は、ゴールデンラベルを必要とせずに学習することです。 提案手法は, 高品質な建物分割と正確なラベルイメージアライメントを同時に実現可能であることを, 異なる都市の合成データと実世界のデータの両方で実験的に示す。 コードと派生したデータセットはhttps://github.com/venkanna37/align-and-segmentで入手できる。

関連論文リスト

• Zero-Shot Pseudo Labels Generation Using SAM and CLIP for Semi-Supervised Semantic Segmentation [0.0]
  注釈付きラベルと擬似ラベルを用いた画像を用いた意味的セグメンテーションモデルを訓練する手法を提案する。 モデルの精度は、擬似ラベルの品質と注釈付きラベルによるデータの量に依存する。 提案手法の有効性は,公開データセットであるPASCALとMS COCOを用いて実証した。
  論文  参考訳（メタデータ） (2025-05-26T11:31:13Z)
• Dual-level Interaction for Domain Adaptive Semantic Segmentation [0.0]
  セマンティックセグメンテーションにおけるドメイン適応(DIDA)のための二重レベル相互作用を提案する。 具体的には、同じピクセルの異なる拡張ビューが類似したクラス予測を持つように推奨する。 我々の手法は、特に混乱した長い尾のクラスにおいて、最先端の技術よりも顕著に優れている。
  論文  参考訳（メタデータ） (2023-07-16T07:51:18Z)
• Distilling Self-Supervised Vision Transformers for Weakly-Supervised Few-Shot Classification & Segmentation [58.03255076119459]
  視覚変換器(ViT)を利用した弱教師付き小ショット画像分類とセグメンテーションの課題に対処する。 提案手法は,自己監督型ViTからトークン表現を抽出し,その相関関係を利用して分類とセグメンテーションの予測を行う。 Pascal-5iとCOCO-20iの実験は、様々な監視設定において大きなパフォーマンス向上を示した。
  論文  参考訳（メタデータ） (2023-07-07T06:16:43Z)
• G2NetPL: Generic Game-Theoretic Network for Partial-Label Image Classification [14.82038002764209]
  マルチラベル画像分類は、画像内の全ての可能なラベルを予測することを目的としている。 既存の部分ラベル学習の研究は、各トレーニングイメージが正負のラベルのサブセットでラベル付けされている場合に焦点を当てている。 本稿では、部分ラベル学習のためのエンドツーエンドのジェネリックゲーム理論ネットワーク(G2NetPL)を提案する。
  論文  参考訳（メタデータ） (2022-10-20T17:59:21Z)
• Language-driven Semantic Segmentation [88.21498323896475]
  本稿では,言語駆動型セマンティックイメージセグメンテーションの新しいモデルLSegを提案する。 テキストエンコーダを用いて記述型入力ラベルの埋め込みを計算する。 エンコーダは、画素埋め込みを対応するセマンティッククラスのテキスト埋め込みに合わせるために、対照的な目的で訓練される。
  論文  参考訳（メタデータ） (2022-01-10T18:59:10Z)
• Structured Semantic Transfer for Multi-Label Recognition with Partial Labels [85.6967666661044]
  部分ラベル付きマルチラベル認識モデルのトレーニングを可能にする構造化意味伝達(SST)フレームワークを提案する。 このフレームワークは2つの相補的なトランスファーモジュールから構成され、インテリアイメージとクロスイメージセマンティック相関を探索する。 Microsoft COCO、Visual Genome、Pascal VOCデータセットの実験は、提案されたSSTフレームワークが現在の最先端アルゴリズムよりも優れたパフォーマンスが得られることを示している。
  論文  参考訳（メタデータ） (2021-12-21T02:15:01Z)
• Joining datasets via data augmentation in the label space for neural networks [6.036150783745836]
  ラベル空間におけるデータセットの結合を成功させるために,人工的に作成した知識グラフ,繰り返しニューラルネットワーク,ポリシー勾配を活用する新しい手法を提案する。 画像とテキストの分類における実験結果は,我々のアプローチの有効性を正当化するものである。
  論文  参考訳（メタデータ） (2021-06-17T06:08:11Z)
• 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)
• 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)
• Knowledge-Guided Multi-Label Few-Shot Learning for General Image Recognition [75.44233392355711]
  KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。 まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。 次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。 グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
  論文  参考訳（メタデータ） (2020-09-20T15:05:29Z)
• Multi-label Zero-shot Classification by Learning to Transfer from External Knowledge [36.04579549557464]
  マルチラベルゼロショット分類は、入力画像に対する複数の未知のクラスラベルを予測することを目的としている。 本稿では,外部知識の伝達を学習することで,新たなゼロショット分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-30T17:26:46Z)
• Reconstruction Regularized Deep Metric Learning for Multi-label Image Classification [39.055689258395624]
  本稿では,多ラベル画像分類問題に対処する新しい深度距離学習法を提案する。 私たちのモデルはエンドツーエンドでトレーニングできます。
  論文  参考訳（メタデータ） (2020-07-27T13:28:50Z)

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。