論文の概要: Vision-Language-Guided Pseudo-Labels for Unsupervised Domain Adaptation in Semantic Segmentation for Waste Sorting

• arxiv url: http://arxiv.org/abs/2609.00898v1
• Date: Tue, 01 Sep 2026 08:24:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.479894
• Title: Vision-Language-Guided Pseudo-Labels for Unsupervised Domain Adaptation in Semantic Segmentation for Waste Sorting
• Title（参考訳）: 廃棄物沈降用セマンティックセグメンテーションにおける教師なしドメイン適応のためのビジョンランゲージ誘導擬似ラベル
• Authors: Udo Schlegel, Shubhangi, Gabriel Dax, Sai Rahul Kaminwar, Florian Karl, Thomas Seidl,
• Abstract要約: 対象ドメインアノテーションを使わずに教師なしドメイン適応を可能にするクロスモーダルな擬似ラベルパイプラインを提案する。 SAMはクラスに依存しないリージョンの提案を生成し、EVA-CLIPはリージョンとテキストの類似性に基づいてセマンティックラベルを割り当てる。 オプション拡張として、BLIPはあいまいな領域に対する言語による検証を提供し、パイプライン全体を変更せずに擬似ラベルの品質を向上させる。
• 参考スコア（独自算出の注目度）: 5.9824571722269875
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Obtaining labeled data for semantic segmentation in applied settings (e.g., autonomous driving, industrial waste sorting) is expensive and often infeasible at scale. We present a cross-modal pseudo-labeling pipeline that enables unsupervised domain adaptation without any target-domain annotations. The pipeline is built on two core foundation models: SAM generates class-agnostic region proposals, and EVA-CLIP assigns semantic labels based on region-text similarity, with confidence filtering ensuring that only reliable pseudo-labels are used for self-training a segmentation model. As an optional extension, BLIP provides language-grounded verification for ambiguous regions, thereby improving pseudo-label quality without altering the overall pipeline. Evaluated on two domain shifts, synthetic-to-real autonomous driving and, with a primary focus, lab-to-factory industrial waste sorting, the pipeline consistently improves over source-only baselines. Our results demonstrate that pseudo-label quality, not quantity, is a decisive factor in self-training under domain shift, and that cross-modal language grounding offers a practical path to reliable automatic annotation in deployment-critical applications.
• Abstract（参考訳）: 適用環境におけるセマンティックセグメンテーションのためのラベル付きデータ(例えば、自動運転、産業廃棄物のソートなど)の取得は高価であり、大規模ではしばしば不可能である。 対象ドメインアノテーションを使わずに教師なしドメイン適応を可能にするクロスモーダルな擬似ラベルパイプラインを提案する。 SAMはクラスに依存しないリージョンの提案を生成し、EVA-CLIPはリージョンとテキストの類似性に基づいてセマンティックラベルを割り当てる。 オプション拡張として、BLIPはあいまいな領域に対する言語による検証を提供し、パイプライン全体を変更せずに擬似ラベルの品質を向上させる。 2つのドメインシフト、合成から現実への自律運転と、実験から製造までの産業廃棄物の選別を中心に評価され、パイプラインはソースのみのベースラインよりも一貫して改善されている。 本結果は,ドメインシフト下での自己学習において,擬似ラベルの品質が決定的な要因であることを示すとともに,クロスモーダル言語グラウンドリングが,デプロイクリティカルなアプリケーションにおける信頼性の高い自動アノテーションへの実践的パスを提供することを示す。

関連論文リスト

• Prototype-Based Pseudo-Label Denoising for Source-Free Domain Adaptation in Remote Sensing Semantic Segmentation [16.927392753457866]
  Source-Free Domain Adaptation (SFDA)は、よく訓練されたソースモデルと未ラベルのターゲットドメインデータのみを使用して、リモートセンシング画像(RSI)のセマンティックセグメンテーションのためのドメイン適応を可能にする。 本稿では,プロトタイプ誘導型FDAフレームワークであるProSFDAを提案する。プロトタイプ重み付き擬似ラベルを用いて,擬似ラベル雑音下での信頼性の高い自己訓練(ST)を容易にする。 さらに,同クラスに属する特徴の集約を奨励するプロトタイプコントラスト戦略を導入し,そのモデルが地道的な監督に頼らずに識別対象ドメイン表現を学習できるようにする。
  論文  参考訳（メタデータ） (2025-09-21T06:33:59Z)
• Unsupervised Domain Adaptation for 3D LiDAR Semantic Segmentation Using Contrastive Learning and Multi-Model Pseudo Labeling [0.7373617024876725]
  セグメントレベルでの教師なしのコントラスト学習は、バックボーンネットワークを事前訓練するために使用される。 多様な最先端アーキテクチャのアンサンブルを利用して、マルチモデル擬似ラベル戦略を導入する。 Semantic KITTIからラベルのないターゲットデータセットに適応する実験は、セグメンテーション精度を大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2025-07-24T08:21:43Z)
• Domain Adaptation Using Pseudo Labels [16.79672078512152]
  ラベル付き対象データがない場合、教師なしのドメイン適応アプローチは、ソースとターゲットドメインの限界分布を整合させようとする。 我々は,複数段階の擬似ラベル修正手法を用いて,対象ドメインの正確なラベルを決定するために事前訓練ネットワークをデプロイする。 複数のデータセットに対する結果から, 複雑な最先端技術と比較して, 簡単な手順の有効性が示された。
  論文  参考訳（メタデータ） (2024-02-09T22:15:11Z)
• Inter-Domain Mixup for Semi-Supervised Domain Adaptation [108.40945109477886]
  半教師付きドメイン適応(SSDA)は、ソースとターゲットのドメイン分布をブリッジすることを目的としており、少数のターゲットラベルが利用可能である。 既存のSSDAの作業は、ソースドメインとターゲットドメインの両方からラベル情報をフル活用して、ドメイン間の機能アライメントに失敗する。 本稿では,新しいSSDA手法であるIDMNE(Inter-domain Mixup with Neighborhood Expansion)を提案する。
  論文  参考訳（メタデータ） (2024-01-21T10:20:46Z)
• CA-UDA: Class-Aware Unsupervised Domain Adaptation with Optimal Assignment and Pseudo-Label Refinement [84.10513481953583]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ターゲットデータに欠けているラベルのサロゲートとして、優れた擬似ラベルの選択に焦点を当てる。 ソースとターゲットドメインの共有ネットワークが通常、擬似ラベルの選択に使用されるため、擬似ラベルを劣化させるソースドメインバイアスは依然として存在する。 本稿では, 擬似ラベルの品質向上のためのCA-UDAを提案し, 最適課題, 擬似ラベル改善戦略, クラス対応ドメインアライメントを提案する。
  論文  参考訳（メタデータ） (2022-05-26T18:45:04Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Select, Label, and Mix: Learning Discriminative Invariant Feature Representations for Partial Domain Adaptation [55.73722120043086]
  部分領域適応のための識別的不変特徴表現を学習するための「選択、ラベル、混合(SLM)」フレームワークを開発した。 まず, 正の移動を避けるために, 外部からのサンプルを自動的にフィルタする, 単純で効率的な「選択」モジュールを提案する。 次に、「ラベル」モジュールは、ラベル付きソースドメインデータと生成されたターゲットドメインの擬似ラベルの両方を用いて分類器を反復的に訓練し、潜在空間の識別性を高める。
  論文  参考訳（メタデータ） (2020-12-06T19:29:32Z)

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。