論文の概要: ProGuT: Label-Efficient Panoptic Segmentation for Forest Scenes

• arxiv url: http://arxiv.org/abs/2609.36891v1
• Date: Tue, 29 Sep 2026 07:21:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.276468
• Title: ProGuT: Label-Efficient Panoptic Segmentation for Forest Scenes
• Title（参考訳）: ProGuT: 森林シーンのためのラベル効率の良いパノプティクスセグメンテーション
• Abstract要約: 本稿では,画像ごとのトレーニングマスクを使わずにパノプティカルな擬似ラベルを生成するProGuTについて述べる。 ProGuTは、擬似ラベルを作成するための深さ、フロー、クラススーパービジョンメソッドと比較して安価である。 PQ(Panoptic Quality)は、Our-forestのデータセットで65.2で、フライブルクの森で65.9 mIoUに達する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Panoptic segmentation in forest environments is bottlenecked not by semantic quality but by instance separation; existing unsupervised panoptic approaches produce usable stuff maps but near-zero thing quality. Depth or flow-based instance discovery methods needs sensors that are not always available. We present ProGuT (Prototype Guided Training), which produces panoptic pseudo-labels without per-image training masks, needing only unlabeled images and one-time cluster-to-class mapping. ProGuT clusters CLIP patch features, then recovers trunk instances through multiscale geometric prior that falsifies non-trunk structures via structure-tensor. This is cheap compared to depth, flow or class-supervision methods to create pseudo labels. These are then used for downstream tasks which we evaluate against other unsupervised baselines. ProGuT achieves a Panoptic Quality (PQ) of 65.2 on Our-forest dataset (2.6x improvement over the initial pseudo-label quality) and reaches 65.9 mIoU on Freiburg Forest, outperforming unsupervised baselines like PiCIE (45.3 IoU) and STEGO(57.6IoU). Additionally, ProGuT outperforms existing unsupervised methods for class-agnostic trunk instance benchmark.
• Abstract（参考訳）: 森林環境におけるパノプティクスのセグメンテーションは、セマンティックな品質ではなく、事例分離によってボトルネックとなる。 深さやフローベースのインスタンス検出手法には、必ずしも利用できないセンサーが必要である。 ProGuT(Prototype Guided Training, Prototype Guided Training, プロトタイプガイドトレーニング)は、画像ごとのトレーニングマスクを使用せず、未ラベルの画像のみとクラスタ・ツー・クラスマッピングを必要とする。 ProGuTクラスタのCLIPパッチは、構造テンソルを介して非トランク構造を偽装する、マルチスケールの幾何学的事前処理を通じてトランクインスタンスを復元する。 これは、擬似ラベルを作成するディープ、フロー、クラススーパービジョンメソッドと比較して安価である。 これらは、他の教師なしのベースラインに対して評価する下流タスクに使用される。 ProGuTは、Our-forestデータセット上で65.2のPanoptic Quality (PQ)を達成し(最初の擬似ラベル品質よりも2.6倍改善)、フライブルクの森で65.9 mIoUに達し、PiCIE (45.3 IoU)やSTEGO (57.6IoU)のような教師なしベースラインを上回っている。 さらに、ProGuTはクラスに依存しないトランクインスタンスベンチマークのための既存の教師なしメソッドよりも優れています。

関連論文リスト

• ProBAG: Prototype-Guided Boundary-Aware Graph Diffusion for Weakly Supervised Histopathology Segmentation [1.8629748140948348]
  弱教師付きセマンティックセグメンテーションは、画像レベルのアノテーションから組織組織セグメンテーションを可能にする。 ProBAGは、データセット固有の視覚プロトタイプと、病理に整合したCONCHテキストプロトタイプを組み合わせたステージ1擬似マスクジェネレータである。 BCSS-WSSS と LUAD-HistoSeg の実験は、最近の WSSS アプローチよりも一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-08-12T08:05:07Z)
• Prior2Former -- Evidential Modeling of Mask Transformers for Assumption-Free Open-World Panoptic Segmentation [74.55677741919035]
  顕在学習に根ざしたセグメンテーション・ビジョン・トランスフォーマの最初のアプローチである Prefer2Former (P2F) を提案する。 P2Fは、ピクセル単位のバイナリマスク割り当てにおいて、モデル不確実性を計算するためのベータを組み込むことで、マスクビジョントランスフォーマーアーキテクチャを拡張している。 未知のクラスに対処するほとんどのセグメンテーションモデルとは異なり、P2FはOODデータサンプルへのアクセスや、ヴォイド(ラベルなし)クラスに対する対照的なトレーニングなしで動作する。
  論文  参考訳（メタデータ） (2025-04-07T08:53:14Z)
• Clustering is back: Reaching state-of-the-art LiDAR instance segmentation without training [69.2787246878521]
  本研究は, セマンティックラベルのみを用いて, 競合するパノプティクスのセグメンテーションを実現できることを示す。 提案手法は,標準ベンチマークにおける最先端の教師付き手法よりも優れている。 完全に説明可能で、学習やパラメータチューニングを必要としない。
  論文  参考訳（メタデータ） (2025-03-17T14:12:08Z)
• Unsupervised Universal Image Segmentation [59.0383635597103]
  本稿では,Unsupervised Universal Model (U2Seg) を提案する。 U2Segは、自己教師付きモデルを利用して、これらのセグメンテーションタスクの擬似意味ラベルを生成する。 次に、これらの擬似意味ラベル上でモデルを自己学習し、かなりの性能向上をもたらす。
  論文  参考訳（メタデータ） (2023-12-28T18:59:04Z)
• Pointly-Supervised Panoptic Segmentation [106.68888377104886]
  弱教師付き単眼セグメンテーションにポイントレベルのアノテーションを適用するための新しい手法を提案する。 完全に教師された方法で使用される高密度のピクセルレベルラベルの代わりに、ポイントレベルラベルは、監督対象ごとに単一のポイントしか提供しない。 我々は、ポイントレベルのラベルから同時に汎視的擬似マスクを生成し、それらから学習することで、エンドツーエンドのフレームワークにおける問題を定式化する。
  論文  参考訳（メタデータ） (2022-10-25T12:03:51Z)
• Weakly-Supervised Salient Object Detection Using Point Supervison [17.88596733603456]
  現在の最先端の精度検出モデルは、正確なピクセル単位のアノテーションの大規模なデータセットに大きく依存している。 本稿では,ポイント・インスペクタを用いた弱教師付きサルエント・オブジェクト検出手法を提案する。 我々の手法は、より強い監督力で訓練された従来の最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2022-03-22T12:16:05Z)
• Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
  本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。 そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。 我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
  論文  参考訳（メタデータ） (2020-03-17T12:59:50Z)

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。