論文の概要: U-CFR: Uncertainty-Guided Cascade Forward Refinement for Interactive Segmentation

• arxiv url: http://arxiv.org/abs/2607.20705v1
• Date: Wed, 22 Jul 2026 20:23:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.214426
• Title: U-CFR: Uncertainty-Guided Cascade Forward Refinement for Interactive Segmentation
• Title（参考訳）: U-CFR: 対話型セグメンテーションのための不確かさ誘導カスケードフォワードリファインメント
• Abstract要約: 不確かさ誘導型カスケードフォワードリファインメント(U-CFR) 本稿では,各ユーザインタラクション後にモデルが自律的に自己修正できる新しい推論時フレームワークを提案する。 これにより、バークレーのような挑戦的なデータセットで必要なクリックを10%以上削減できる。
• 参考スコア（独自算出の注目度）: 2.3488056916440856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interactive image segmentation is critical for efficient image annotation; however, existing methods often require many corrective clicks or rely on passive refinement schemes that converge slowly. We propose Uncertainty-Guided Cascade Forward Refinement (U-CFR), a novel inference-time framework that enables models to autonomously self-correct after each user interaction. U-CFR introduces a boundary-aware uncertainty score that fuses segmentation uncertainty, contour gradients, and explicit edge predictions to guide the placement of internal pseudo-clicks. These self-generated clicks target the most ambiguous boundary regions, providing strong corrective signals without additional manual input. To support this process, we design a dual-head network with a shared encoder-decoder backbone: a segmentation head ensures region consistency, while an edge head sharpens boundary alignment. In inference, U-CFR launches a cascade of refinement steps, where each stage leverages the uncertainty-driven pseudo-clicks to refine the mask progressively. Experiments on standard benchmark datasets demonstrate that the proposed U-CFR improves click efficiency, initial mask quality, and boundary accuracy. It reduces the required clicks by over 10% on challenging datasets like Berkeley and offers a more intelligent and efficient interactive annotation.
• Abstract（参考訳）: インタラクティブなイメージセグメンテーションは、効率的な画像アノテーションには不可欠であるが、既存の手法では、多くの修正クリックを必要とすることや、ゆっくりと収束するパッシブリファインメント方式に依存していることが多い。 提案する不確実性誘導カスケードフォワードリファインメント(U-CFR)は,ユーザインタラクション毎にモデルが自律的に自己修正できる新しい推論時間フレームワークである。 U-CFRは、セグメンテーションの不確実性、輪郭勾配、明示的なエッジ予測を融合して、内部の擬似クリックの配置を導く境界認識の不確実性スコアを導入している。 これらの自己生成クリックは、最もあいまいな境界領域をターゲットとし、手入力なしで強力な補正信号を提供する。 このプロセスを支援するために、共有エンコーダ/デコーダバックボーンを持つデュアルヘッドネットワークを設計する:セグメンテーションヘッドは領域の整合性を確保し、エッジヘッドは境界アライメントを鋭くする。 推論において、U-CFRは改善段階のカスケードを起動し、各ステージは不確実性駆動の擬似クリックを利用してマスクを徐々に洗練する。 標準ベンチマークデータセットの実験では、提案されたU-CFRがクリック効率、初期マスク品質、境界精度を改善することが示されている。 バークレーのような挑戦的なデータセットのクリックを10%以上削減し、よりインテリジェントで効率的なインタラクティブなアノテーションを提供する。

関連論文リスト

• NegROI: Click-Centric Uncertainty-Guided Refinement with Scene-Conditioned Negative Prompts for Robust Interactive 3D Segmentation [28.716564476160958]
  インタラクティブな3Dセグメンテーションは、最小限のクリックでポイントクラウド内のオブジェクトマスクを抽出することを目的としている。 既存のアプローチは、(i)限られたクリックの下で細かな境界をぼかす粗いボクセル分解と、(ii)背景構造を混乱させることによって引き起こされる硬い偽陽性に依然として苦戦している。 我々は,クリック中心のマルチレゾリューション改善とシーン条件の負のプロンプトを結合した,新しいトランスフォーマーベースの対話型フレームワークNegROIを提案する。 一般的なベンチマークデータセットに対する実験では、クリック効率の向上と偽陽性の低減が示され、最先端のベースラインよりも強いデータセット間のロバスト性が示された。
  論文  参考訳（メタデータ） (2026-07-07T07:54:52Z)
• Hybrid Robustness Verification for Spatio-Temporal Neural Networks [19.026662893450425]
  既存の検証方法は、過度に保守的な近似や不正な計算コストに依存している。 実際には、対向摂動は、低次元、意味論的に意味のある部分空間に制約された、構造化された空間的および時間的相関を示す。 動作認識(UCF-101)、自律運転(Udacity)、医用画像(MedMNIST)の用途を対象として、3次元CNNによる映像入力のロバスト性検証を行う。
  論文  参考訳（メタデータ） (2026-06-08T17:06:51Z)
• Variational Feature Compression for Model-Specific Representations [16.34000934736747]
  ディープラーニング推論は、ますます共有およびクラウドベースの設定にデプロイされている。 あるタスクに送信されたデータは、別のタスクのために許可されていないモデルによって再利用される。 指定された分類器の精度を保ちながら、クロスモデル転送を抑制する特徴抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-08T03:34:46Z)
• BPC-Net: Annotation-Free Skin Lesion Segmentation via Boundary Probability Calibration [15.992042021607643]
  アノテーションのない皮膚病変セグメンテーションのための境界確率校正フレームワークであるBPC-Netを提案する。 提案手法は, マクロ平均Dice係数と Jaccard index の85.80% と76.97% に到達し, 教師なし手法の最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-04-07T08:43:34Z)
• DCAU-Net: Differential Cross Attention and Channel-Spatial Feature Fusion for Medical Image Segmentation [2.2015188658021003]
  本稿では, DCAU-Netを提案する。 まず,2つの独立なソフトマックスアテンションマップの違いを計算するために,新しい微分クロスアテンション(DCA)を設計した。 第2に,Channel-Spatial Feature Fusion (CSFF) 戦略を導入し,特徴を適応的に再検討する。
  論文  参考訳（メタデータ） (2026-03-10T11:37:10Z)
• Rethinking Multi-Condition DiTs: Eliminating Redundant Attention via Position-Alignment and Keyword-Scoping [61.459927600301654]
  マルチコンディション制御は従来のコンカデント・アンド・アットエンドの戦略によってボトルネックとなる。 分析の結果,これらの相互作用の多くは空間的にも意味的にも冗長であることがわかった。 本稿では,これらの冗長性を解消するための高効率なフレームワークであるPKAを提案する。
  論文  参考訳（メタデータ） (2026-02-06T16:39:10Z)
• Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
  フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。 本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。 我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
  論文  参考訳（メタデータ） (2025-11-14T03:05:22Z)
• Semi-supervised Semantic Segmentation with Multi-Constraint Consistency Learning [81.02648336552421]
  本稿では,エンコーダとデコーダの段階的拡張を容易にするためのマルチ制約一貫性学習手法を提案する。 自己適応型特徴マスキングとノイズ注入は、デコーダの堅牢な学習のための特徴を摂動させるために、インスタンス固有の方法で設計されている。 Pascal VOC2012およびCityscapesデータセットの実験結果から,提案したMCCLが新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2025-03-23T03:21:33Z)
• CW-BASS: Confidence-Weighted Boundary-Aware Learning for Semi-Supervised Semantic Segmentation [26.585985828583304]
  半教師付きセマンティックセマンティックセグメンテーション(SSSS)は,ラベル付きサンプルを限定した大量のラベル付きデータを活用することで,パフォーマンスの向上を目指している。 既存の手法はしばしば結合に悩まされ、初期ラベル付きデータへの過度な依存は、最適以下の学習に繋がる。 SSSSの新しいフレームワークであるCW-BASSを提案する。
  論文  参考訳（メタデータ） (2025-02-21T02:24:10Z)
• Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
  本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。 提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
  論文  参考訳（メタデータ） (2024-01-17T09:01:29Z)
• Progressive Feature Self-reinforcement for Weakly Supervised Semantic Segmentation [55.69128107473125]
  Weakly Supervised Semantic (WSSS) のイメージレベルラベルを用いたシングルステージアプローチを提案する。 我々は、画像内容が決定論的領域(例えば、自信ある前景と背景)と不確実領域(例えば、オブジェクト境界と誤分類されたカテゴリ)に適応的に分割して、別々の処理を行う。 そこで我々は,これらの自信のある領域と同一のクラスラベルを持つ拡張画像とのセマンティック一貫性を制約する補完的な自己強調手法を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:21:52Z)
• DELTA: Dynamic Embedding Learning with Truncated Conscious Attention for CTR Prediction [61.68415731896613]
  CTR(Click-Through Rate)予測は、製品とコンテンツの推奨において重要なタスクである。 本稿では,CTR予測のための動的埋め込み学習を実現するモデルを提案する。
  論文  参考訳（メタデータ） (2023-05-03T12:34:45Z)
• Inter-class Discrepancy Alignment for Face Recognition [55.578063356210144]
  IA(Inter-class DiscrepancyAlignment)という統合フレームワークを提案する。 IDA-DAOは、画像と隣人の相違を考慮した類似度スコアの整合に使用される。 IDA-SSEは、GANで生成された仮想候補画像を導入することで、説得力のあるクラス間隣人を提供できます。
  論文  参考訳（メタデータ） (2021-03-02T08:20:08Z)

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。