論文の概要: Contextrast++: Robust Multi-Scale Contextual Contrastive Learning for Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2608.22679v1
• Date: Mon, 24 Aug 2026 00:34:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.827016
• Title: Contextrast++: Robust Multi-Scale Contextual Contrastive Learning for Semantic Segmentation
• Title（参考訳）: Contextrast++: セマンティックセグメンテーションのためのマルチスケールコントラスト学習
• Abstract要約: セマンティックセグメンテーションのための頑健なコントラスト学習手法であるContextrast++を提案する。 本手法は,1)文脈コントラスト学習(CCL)と2)境界認識陰性サンプリング(BANE)の2つの重要な要素から構成される。 公開データセットを用いた広範な実験で検証されたように、Contextrast++はセマンティックセグメンテーションのパフォーマンスを大幅に改善することを示した。
• 参考スコア（独自算出の注目度）: 10.836817794252076
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation has rapidly advanced with deep learning; however, challenges remain in effectively capturing local and global contexts as well as addressing the long-tailed distribution problem. To tackle these issues, we present Contextrast++, a robust contrastive learning method for semantic segmentation that improves multi-scale feature integration and mitigates class imbalance issues. Our method consists of two key components: 1) contextual contrastive learning (CCL) and 2) boundary-aware negative (BANE) sampling. CCL includes three subcomponents: adaptive fusion module, pixel-to-anchor (PA) loss, and anchor-to-anchor (AA) loss. The adaptive fusion module dynamically balances local and global feature integration, resulting in a more context-aware representation. While the PA loss leverages the fused multi-scale features to improve feature representation learning, the AA loss focuses on addressing the long-tailed distribution problem by utilizing a memory bank that stores a fixed number of class-balanced representative anchors. Meanwhile, BANE sampling enhances segmentation precision by selecting hard negatives from misclassified boundary regions, which refines fine-grained details during contrastive learning. As verified in extensive experiments using public datasets, we demonstrate that Contextrast++ substantially improves semantic segmentation performance over existing contrastive learning-based state-of-the-art approaches, while introducing no additional computational overhead during inference.
• Abstract（参考訳）: セマンティックセグメンテーションは、深層学習とともに急速に進歩してきたが、局地的・グローバルな文脈を効果的に捉え、長期にわたる分布問題に対処する上での課題は残る。 これらの問題に対処するために、Contextrast++は、マルチスケールの機能統合を改善し、クラス不均衡問題を軽減し、セマンティックセグメンテーションのための頑健なコントラスト学習手法である。 提案手法は,2つのキーコンポーネントから構成される。 1)文脈コントラスト学習(CCL)と 2) 境界認識陰性 (BANE) サンプリング。 CCLには、アダプティブ・フュージョン・モジュール、ピクセル・ツー・アンカー・ロス(PA)、アンカー・ツー・アンカー・ロス(AA)の3つのサブコンポーネントが含まれる。 アダプティブ・フュージョン・モジュールは局所的およびグローバルな機能統合を動的にバランスさせ、よりコンテキスト対応の表現をもたらす。 PA損失は、融合したマルチスケール機能を活用して特徴表現学習を改善する一方で、AA損失は、一定数のクラスバランスのある代表アンカーを格納するメモリバンクを利用することで、長期分布問題に対処することに焦点を当てる。 一方、BANEサンプリングは、非分類境界領域からハードネガティブを選択することにより、セグメンテーションの精度を高め、コントラスト学習中にきめ細かな詳細を洗練させる。 公開データセットを用いた広範な実験で検証されたように、Contextrast++は、既存のコントラスト学習に基づく最先端のアプローチよりもセマンティックセマンティックセマンティクスの性能を大幅に改善し、推論中に計算オーバーヘッドを追加しないことを示した。

関連論文リスト

• PCA-Seg: Revisiting Cost Aggregation for Open-Vocabulary Semantic and Part Segmentation [58.1914505657064]
  本稿では,クラスレベルのセマンティクスと空間コンテキスト間の知識干渉の課題を軽減するために,単純な並列コストアグリゲーション(PCA-Seg)パラダイムを提案する。 8つのベンチマークの実験では、PCA-Segの各並列ブロックは0.35万のパラメータしか追加せず、最先端のOSPS性能を実現している。
  論文  参考訳（メタデータ） (2026-03-18T09:26:43Z)
• Context Patch Fusion With Class Token Enhancement for Weakly Supervised Semantic Segmentation [5.859471574310312]
  本稿では,CPF-CTE(Context Patch Fusion with Class Token Enhancement)フレームワークを提案する。 CPF-CTEは、パッチ間のコンテキスト関係を利用して特徴表現を強化し、セグメンテーションを改善する。 CPF-CTEは従来のWSSS手法を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-01-21T07:12:23Z)
• LIRA: Inferring Segmentation in Large Multi-modal Models with Local Interleaved Region Assistance [54.683384204063934]
  大規模マルチモーダルモデル(LMM)は不正確なセグメンテーションと幻覚的理解に苦しむ。 視覚的理解とセグメンテーションの相補的関係を生かしたフレームワークであるLIRAを提案する。 LIRAはセグメンテーションと理解タスクの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-07-08T07:46:26Z)
• Contextrast: Contextual Contrastive Learning for Semantic Segmentation [9.051352746190448]
  コントラスト学習に基づくセマンティックセグメンテーション手法であるContextrastを提案する。 提案手法は,文脈コントラスト学習 (CCL) と境界認識型負サンプリング (B) の2つの部分からなる。 我々のContextrastはセマンティックセグメンテーションネットワークの性能を大幅に向上させることを示した。
  論文  参考訳（メタデータ） (2024-04-16T15:04:55Z)
• Multi-Grained Cross-modal Alignment for Learning Open-vocabulary Semantic Segmentation from Text Supervision [23.931443799102663]
  我々は,高密度アノテーションを使わずに粒度ギャップを埋めるために,MGCA(Multi-Grained Cross-Modal Alignment)フレームワークを導入する。 具体的には、MGCAは画像とテキストのペアに基づいて擬似多言語意味対応を構築する。 提案手法は最先端の手法よりも大幅に進歩し,その有効性と効率性を実証する。
  論文  参考訳（メタデータ） (2024-03-06T13:43:36Z)
• Semantics-Aware Dynamic Localization and Refinement for Referring Image Segmentation [102.25240608024063]
  画像の参照は、言語表現からのイメージセグメントを参照する。 そこで我々は,局所化中心からセグメンテーション言語へ移行するアルゴリズムを開発した。 比較すると,本手法はより汎用的で有効である。
  論文  参考訳（メタデータ） (2023-03-11T08:42:40Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Dense Contrastive Visual-Linguistic Pretraining [53.61233531733243]
  画像とテキストを共同で表現するマルチモーダル表現学習手法が提案されている。 これらの手法は,大規模マルチモーダル事前学習から高レベルな意味情報を取得することにより,優れた性能を実現する。 そこで本稿では,非バイアスのDense Contrastive Visual-Linguistic Pretrainingを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:20:13Z)
• Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
  本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。 より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
  論文  参考訳（メタデータ） (2020-07-17T15:41:37Z)
• Lookahead Adversarial Learning for Near Real-Time Semantic Segmentation [2.538209532048867]
  我々は,最先端セグメンテーションモデル(DeepLabv3+)をコアとした条件付き対向ネットワークを構築した。 我々は、ほぼリアルタイムなフィールドアプリケーションのための推論で高速に実行されるセグメンテーションモデルに焦点を当てる。
  論文  参考訳（メタデータ） (2020-06-19T17:04:38Z)

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。