論文の概要: SPARC: SuperPixel-Aware Region Contrastive Learning for Self-Supervised Dense Prediction

• arxiv url: http://arxiv.org/abs/2609.25067v1
• Date: Wed, 16 Sep 2026 22:40:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.023548
• Title: SPARC: SuperPixel-Aware Region Contrastive Learning for Self-Supervised Dense Prediction
• Title（参考訳）: SPARC: 自己監督型デンス予測のための超Pixel対応領域コントラスト学習
• Abstract要約: 本稿では,スーパーピクセルを利用した領域レベルのコントラスト学習フレームワークを提案する。 Dense は MoCo-v2 やCL などの従来の手法を一貫して上回り、セマンティックセグメンテーションでは +9.79 mIoU に、オブジェクト検出では +4.88 AP に改善されている。
• 参考スコア（独自算出の注目度）: 3.8866959580694336
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Self-supervised learning (SSL) has become an effective approach for learning visual representations without manual annotations. Among SSL approaches, contrastive learning has been widely used for visual representation learning. However, existing contrastive SSL methods have focused primarily on image-level or pixel-level representation learning, while region-level representation learning remains less explored. We propose SPARC, a region-level contrastive learning framework that leverages superpixels to establish explicit correspondence between augmented image views. SPARC introduces a region contrastive branch that performs superpixel-based feature pooling and optimizes a region-level contrastive objective jointly with a global image-level objective. Under identical settings, SPARC consistently outperforms previous methods such as MoCo-v2 and DenseCL, achieving improvements of up to +9.79 mIoU for semantic segmentation and +4.88 AP for object detection. Ablation studies further demonstrate that region-level objectives produce the strongest performance. Thus, region-level contrastive learning is an effective approach for improving self-supervised visual pretraining for dense prediction tasks. Code repository can be accessed at https://github.com/xRIPEIx/SPARC.
• Abstract（参考訳）: 自己教師付き学習(SSL)は手動のアノテーションを使わずに視覚表現を学習するための効果的なアプローチとなっている。 SSLアプローチでは、視覚表現学習にコントラスト学習が広く用いられている。 しかし、既存の対照的なSSL手法は主に画像レベルの表現学習やピクセルレベルの表現学習に焦点を合わせているが、領域レベルの表現学習はいまだ研究されていない。 本研究では,スーパーピクセルを利用した領域レベルのコントラスト学習フレームワークであるSPARCを提案する。 SPARCは、スーパーピクセルベースの機能プーリングを実行し、グローバルな画像レベルの目的と共同で領域レベルのコントラスト目的を最適化する領域コントラスト分岐を導入している。 同じ条件下では、SPARCはMoCo-v2やDenseCLといった従来の手法を一貫して上回り、セマンティックセグメンテーションのための+9.79 mIoUとオブジェクト検出のための+4.88 APの改善を実現している。 アブレーション研究は、地域レベルの目的が最強のパフォーマンスを生み出すことをさらに証明している。 このように、地域レベルのコントラスト学習は、密集予測タスクに対する自己教師付き視覚前訓練を改善するための効果的なアプローチである。 コードリポジトリはhttps://github.com/xRIPEIx/SPARCでアクセスできる。

関連論文リスト

• Self-supervised structured object representation learning [2.747398258852965]
  自己教師付き学習は視覚表現を学習するための強力な技術として登場した。 本稿では, セマンティックグルーピング, インスタンスレベルの分離, 階層的構造化を組み合わせることで, 構造化された視覚表現を構築する自己教師型アプローチを提案する。 提案手法は,新しいProtoScaleモジュールをベースとして,複数の空間スケールにわたる視覚的要素をキャプチャする。
  論文  参考訳（メタデータ） (2025-08-27T13:28:05Z)
• Dual Guidance Semi-Supervised Action Detection [71.45023660211145]
  空間的時間的行動局在化のための半教師付きアプローチを提案する。 より優れた擬似有界ボックスを選択するための二重誘導ネットワークを導入する。 本フレームワークは,拡張画像に基づく半教師付きベースラインよりも優れた結果が得られる。
  論文  参考訳（メタデータ） (2025-07-28T18:08:36Z)
• Weakly-supervised Semantic Segmentation via Dual-stream Contrastive Learning of Cross-image Contextual Information [10.77139542242678]
  弱教師付きセマンティックセグメンテーション(WSSS)は、画像レベルのタグのみを用いてセマンティックセグメンテーションモデルを学習することを目的としている。 現在のWSSS手法のほとんどは、価値ある画像間情報(セマンティックワイド)を無視しながら、限られた単一画像(ピクセルワイド)情報に焦点を当てている。
  論文  参考訳（メタデータ） (2024-05-08T09:35:26Z)
• Localized Region Contrast for Enhancing Self-Supervised Learning in Medical Image Segmentation [27.82940072548603]
  本稿では,地域コントラスト(LRC)を統合した新しいコントラスト学習フレームワークを提案する。 提案手法では,Felzenszwalbのアルゴリズムによるスーパーピクセルの同定と,新しいコントラッシブサンプリング損失を用いた局所コントラスト学習を行う。
  論文  参考訳（メタデータ） (2023-04-06T22:43:13Z)
• De-coupling and De-positioning Dense Self-supervised Learning [65.56679416475943]
  Dense Self-Supervised Learning (SSL)メソッドは、複数のオブジェクトでイメージを処理する際に、画像レベルの特徴表現を使用する際の制限に対処する。 本研究は, 層深度やゼロパディングに伴う受容野の増大によって生じる, 結合と位置バイアスに悩まされていることを示す。 我々はCOCOにおける本手法の利点と、オブジェクト分類、セマンティックセグメンテーション、オブジェクト検出のための新しい挑戦的ベンチマークであるOpenImage-MINIについて示す。
  論文  参考訳（メタデータ） (2023-03-29T18:07:25Z)
• A Dual-branch Self-supervised Representation Learning Framework for Tumour Segmentation in Whole Slide Images [12.961686610789416]
  自己教師付き学習(SSL)は、スライドイメージ全体のアノテーションオーバーヘッドを低減する代替ソリューションとして登場した。 これらのSSLアプローチは、識別画像の特徴を学習する際の性能を制限するマルチレゾリューションWSIを扱うために設計されていない。 マルチ解像度WSIから画像特徴を効果的に学習できるDSF-WSI(Dual-branch SSL Framework for WSI tumour segmentation)を提案する。
  論文  参考訳（メタデータ） (2023-03-20T10:57:28Z)
• Non-Contrastive Learning Meets Language-Image Pre-Training [145.6671909437841]
  非コントラスト型言語画像事前学習(nCLIP)の有効性について検討する。 我々は、CLIPとnCLIPを組み合わせたマルチタスクフレームワークであるxCLIPを紹介し、nCLIPが機能セマンティクスの強化にCLIPを支援することを示す。
  論文  参考訳（メタデータ） (2022-10-17T17:57:46Z)
• Towards Effective Image Manipulation Detection with Proposal Contrastive Learning [61.5469708038966]
  本稿では,効果的な画像操作検出のためのコントラスト学習(PCL)を提案する。 我々のPCLは、RGBとノイズビューから2種類のグローバル特徴を抽出し、2ストリームアーキテクチャで構成されている。 我々のPCLは、実際にラベル付けされていないデータに容易に適用でき、手作業によるラベル付けコストを削減し、より一般化可能な機能を促進することができる。
  論文  参考訳（メタデータ） (2022-10-16T13:30:13Z)
• Object discovery and representation networks [78.16003886427885]
  本研究では,事前に符号化された構造を自ら発見する自己教師型学習パラダイムを提案する。 Odinはオブジェクト発見と表現ネットワークを結合して意味のある画像のセグメンテーションを発見する。
  論文  参考訳（メタデータ） (2022-03-16T17:42:55Z)
• Remote Sensing Images Semantic Segmentation with General Remote Sensing Vision Model via a Self-Supervised Contrastive Learning Method [13.479068312825781]
  リモートセマンティックセグメンテーションのためのGlobal style and Local matching Contrastive Learning Network (GLCNet)を提案する。 具体的には、画像レベルの表現をより良く学習するために、グローバルスタイルのコントラストモジュールが使用される。 コントラストモジュールにマッチするローカル特徴は、セマンティックセグメンテーションに有用なローカル領域の表現を学習するために設計されている。
  論文  参考訳（メタデータ） (2021-06-20T03:03:40Z)
• Dense Contrastive Learning for Self-Supervised Visual Pre-Training [102.15325936477362]
  入力画像の2つのビュー間の画素レベルでの差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分)を最適化することにより自己教師学習を実現する。 ベースライン法であるMoCo-v2と比較すると,計算オーバーヘッドは1%遅かった。
  論文  参考訳（メタデータ） (2020-11-18T08:42:32Z)

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。