論文の概要: CRF Loss is How Networks Should Learn Boundaries in Weakly Supervised Segmentation

• arxiv url: http://arxiv.org/abs/2609.34183v1
• Date: Mon, 28 Sep 2026 02:59:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 06:08:25.123226
• Title: CRF Loss is How Networks Should Learn Boundaries in Weakly Supervised Segmentation
• Title（参考訳）: ネットワークが境界線を学習する方法をCRFが発見
• Abstract要約: 本稿では,ソフトな擬似ラベルを一元的監視として,二元的エッジマップを相互に監督するフレームワークを提案する。 我々は、dino.txtのCAMとSAMのバウンダリを使って、DS-CRFという単一ステージモデルでフレームワークを実現する。
• 参考スコア（独自算出の注目度）: 7.842152902652214
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Weakly Supervised Semantic Segmentation (WSSS) learns pixel-level predictions from image-level tags. Recent work focuses on improving coarse CAMs extracted from large vision-language models (commonly CLIP), but does little to improve their accuracy along segment boundaries. That job is instead delegated to a post-processing method like DenseCRF. However, because DenseCRF relies on low-level colour cues, it can flip correct labels to incorrect ones when neighbouring pixels share similar colours. SAM has recently been adopted as a natural alternative, yet it simply takes on DenseCRF's role as an intermediate "refinement" step that outputs one-hot pseudo-labels in prior work. By discarding the valuable uncertainty in CAMs, these one-hot pseudo-labels turn borderline errors into confidently wrong targets. Our key insight is that CAMs should supervise training alongside SAM boundaries, each through its own loss, rather than being fused together into a single hard target. Inspired by CRF potentials, we propose a framework that disentangles soft pseudo-labels as unary supervision and binary edge maps as pairwise supervision. We realize our framework in a single-stage model, DS-CRF, using CAMs from dino.txt and boundaries from SAM. DS-CRF sets a new state-of-the-art of 56.5% mIoU on MS COCO.
• Abstract（参考訳）: Weakly Supervised Semantic Segmentation (WSSS)は画像レベルのタグからピクセルレベルの予測を学習する。 最近の研究は、大きな視覚言語モデル(一般的にCLIP)から抽出される粗いCAMの改善に焦点を当てているが、セグメント境界に沿った精度の改善はほとんどない。 そのジョブは代わりに、DenseCRFのような後処理メソッドに委譲される。 しかし、DenseCRFは低レベルのカラーキューに依存しているため、近隣のピクセルが同様の色を共有すると、正しいラベルを間違ったラベルに戻すことができる。 SAMは、最近、自然の代替として採用されているが、DenseCRFを1ホットの擬似ラベルを出力する中間的な「リファインメント」ステップとして単純に採用している。 CAMの貴重な不確実性を捨てることによって、これらの1ホットの擬似ラベルは、境界線のエラーを確実に間違ったターゲットに変える。 私たちの重要な洞察は、CAMはSAM境界に沿ってトレーニングを監督するべきだということです。 CRF電位に着想を得て,ソフトな擬似ラベルを一元的監視として,二元的エッジマップを相互に監督する枠組みを提案する。 我々は、dino.txtのCAMとSAMのバウンダリを使って、DS-CRFという単一ステージモデルでフレームワークを実現する。 DS-CRFは、MS COCO上で56.5% mIoUの最先端を新たに設定する。

関連論文リスト

• Aligned Consensus Teaching for Label-Efficient Oriented Object Detection in Weakly-Aligned Visible-Infrared Imagery [69.65321798954088]
  Visible-Infrared Object Detection (VIOD)は、対の可視画像と赤外線画像から、向き付けられたバウンディングボックスを持つ物体を検出する。 本研究では, ラベル効率の高いVIODのためのアラインド・コンセンサス・インスツルメンツ(ACT)を提案する。 コードとモデルはGitHubで公開され、今後の作業が容易になる。
  論文  参考訳（メタデータ） (2026-09-16T04:59:37Z)
• U-CFR: Uncertainty-Guided Cascade Forward Refinement for Interactive Segmentation [2.3488056916440856]
  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。
  論文  参考訳（メタデータ） (2026-07-22T20:23:00Z)
• One Shot is Enough for Sequential Infrared Small Target Segmentation [9.354927663020586]
  赤外線小ターゲットシーケンスはフレーム間に強い類似性を示し、リッチなコンテキスト情報を含む。 本稿では,SAMのゼロショット一般化能力を逐次IRSTSに完全に適応させるワンショット・トレーニングフリーな手法を提案する。 実験の結果,現状のIRSTS法に匹敵する性能を達成するためには,本手法では1ショットしか必要としないことがわかった。
  論文  参考訳（メタデータ） (2024-08-09T02:36:56Z)
• Semantic Connectivity-Driven Pseudo-labeling for Cross-domain Segmentation [89.41179071022121]
  自己学習はドメイン間セマンティックセグメンテーションにおいて一般的なアプローチである。 本稿ではセマンティック・コネクティビティ駆動の擬似ラベル方式を提案する。 このアプローチは、接続レベルにおいて擬似ラベルを定式化し、構造的および低雑音のセマンティクスの学習を容易にする。
  論文  参考訳（メタデータ） (2023-12-11T12:29:51Z)
• Boundary-RL: Reinforcement Learning for Weakly-Supervised Prostate Segmentation in TRUS Images [8.057488225592605]
  弱教師付きセグメンテーション手法であるBundary-RLを提案する。 セグメント化は,従来のような画素レベルの分類ではなく,境界検出問題として想定される。 特に超音波画像では、強度値が境界間の音響インピーダンスの差を表す場合、境界線法(英語版)の利点もある。
  論文  参考訳（メタデータ） (2023-08-22T12:02:05Z)
• Segment Anything Model (SAM) Enhanced Pseudo Labels for Weakly Supervised Semantic Segmentation [30.812323329239614]
  弱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(WSSS)は、画像レベルのアノテーションのみを使用することで、精細なピクセルレベルのアノテーションの必要性を回避することを目的としている。 既存のほとんどのメソッドは、ピクセルレベルの擬似ラベルを導出するためにクラスアクティベーションマップ(CAM)に依存している。 オブジェクト,部品,サブパートのきめ細かいインスタンスマスクを生成できるクラスに依存しない基礎モデルであるSegment Anything Model (SAM) を利用した,シンプルで効果的な手法を提案する。
  論文  参考訳（メタデータ） (2023-05-09T23:24:09Z)
• Attention-based Class Activation Diffusion for Weakly-Supervised Semantic Segmentation [98.306533433627]
  クラスアクティベーションマップの抽出(CAM)は、弱教師付きセマンティックセグメンテーション(WSSS)の重要なステップである 本稿では,CAMとアテンション行列を確率的拡散法で結合する新しい手法を提案し,それをAD-CAMとダブする。 擬似ラベルとしてのAD-CAMは、最先端のCAMよりも強力なWSSSモデルが得られることを示す実験である。
  論文  参考訳（メタデータ） (2022-11-20T10:06:32Z)
• Image Understands Point Cloud: Weakly Supervised 3D Semantic Segmentation via Association Learning [59.64695628433855]
  ラベルのない画像から補完的な情報を取り入れた3次元セグメンテーションのための新しいクロスモダリティ弱教師付き手法を提案する。 基本的に、ラベルの小さな部分のパワーを最大化するために、アクティブなラベリング戦略を備えたデュアルブランチネットワークを設計する。 提案手法は,1%未満のアクティブなアノテーションで,最先端の完全教師付き競合よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-16T07:59:04Z)
• Learning with Weak Annotations for Robust Maritime Obstacle Detection [10.773819584718648]
  海上障害物検出は、自律船の安全な航行に不可欠である。 このようなデータセットの1ピクセルあたりの真実ラベル付けは、労働集約的で高価である。 セグメント化に基づく障害物検出ネットワークを学習するための新しい足場学習システム(SLR)を提案する。 SLRは弱いアノテーションから初期モデルを訓練し、セグメンテーションの擬似ラベルの再推定とネットワークパラメータの改善を交互に行う。
  論文  参考訳（メタデータ） (2022-06-27T12:52:26Z)
• Two-phase Pseudo Label Densification for Self-training based Domain Adaptation [93.03265290594278]
  TPLDと呼ばれる,新規な二相擬似ラベル高密度化フレームワークを提案する。 第1フェーズでは,スライディングウインドウ投票を用いて,画像内の内在的空間相関を利用して,自信のある予測を広める。 第2フェーズでは,信頼度に基づく容易な分類を行う。 トレーニングプロセスの容易化と騒音予測の回避を目的として,ブートストラップ機構の導入を行った。
  論文  参考訳（メタデータ） (2020-12-09T02:35:25Z)
• Self-supervised Equivariant Attention Mechanism for Weakly Supervised Semantic Segmentation [93.83369981759996]
  本稿では,自己監督同変注意機構(SEAM)を提案する。 本手法は,完全教師付きセマンティックセグメンテーションにおいて,同値が暗黙の制約であることを示す。 本稿では,ネットワーク学習のための自己スーパービジョンを提供するために,様々な変換画像から予測されたCAMの整合性正則化を提案する。
  論文  参考訳（メタデータ） (2020-04-09T14:57:57Z)

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。