論文の概要: On the Relaxation of Conditional Independence Assumption for Image Segmentation

• arxiv url: http://arxiv.org/abs/2609.38930v1
• Date: Wed, 30 Sep 2026 04:10:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.16119
• Title: On the Relaxation of Conditional Independence Assumption for Image Segmentation
• Title（参考訳）: 画像分割における条件付き独立推定の緩和について
• Abstract要約: RankSEGメソッドは、推論時にDice/IoUスコアを直接最適化し、モデルトレーニングを変更することなく評価指標との整合性を改善する。 我々は、CIAを空間的局所依存構造に置き換え、従属モデルをトラクタブルに保ちながら、局所的なラベル相関をキャプチャする。 提案アルゴリズムは、従来のargmaxとCIAベースのRanSEGを様々なセグメンテーションベンチマークで一貫して上回っている。
• 参考スコア（独自算出の注目度）: 4.689945062721168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In semantic segmentation, a recent line of RankSEG methods directly optimizes Dice/IoU scores at inference time, improving alignment with evaluation metrics without modifying model training. Despite its theoretical and empirical success, RankSEG relies on the restrictive Conditional Independence Assumption (CIA), which ignores crucial label correlations and therefore degrades performance in ambiguous or low-contrast scenarios. However, accounting for full label dependence is computationally prohibitive, requiring $\mathcal{O}(d^3)$ time. To address this, we replace the CIA with a Spatially Localized Dependence (SLD) structure that captures local label correlations while keeping the dependence model tractable. We further overcome the remaining computational bottleneck via a Reciprocal Moment Approximation coupled with a novel fixed-point optimization strategy that eliminates exhaustive search. The proposed algorithm achieves a highly practical $\mathcal{O}(d \log d)$ complexity and consistently outperforms conventional argmax and CIA-based RankSEG across diverse segmentation benchmarks. Improvements are significant in low-contrast or small-object scenarios, where label dependence offers valuable signals complementary to image information for accurate segmentation. The code of experiments is available at https://github.com/ZixunWang/RankSEG-DEP.
• Abstract（参考訳）: セマンティックセグメンテーションでは、RangSEGメソッドの最近の行は、推論時にDice/IoUスコアを直接最適化し、モデルトレーニングを変更することなく評価指標との整合性を改善する。 理論的かつ実証的な成功にもかかわらず、RangSEGは、重要なラベル相関を無視し、曖昧または低コントラストのシナリオで性能を低下させる制限付き条件独立推定(CIA)に依存している。 しかし、完全なラベル依存の説明は計算的に禁止され、$\mathcal{O}(d^3)$時間を必要とする。 この問題に対処するため、我々はCIAをSLD(Spatially Localized Dependence)構造に置き換える。 さらに、Reciprocal Moment近似と、徹底的な探索を排除した新しい固定点最適化戦略により、残りの計算ボトルネックを克服する。 提案アルゴリズムは,高度に実用的な$\mathcal{O}(d \log d)$複雑性を達成し,従来型のargmaxとCIAベースのRanSEGを多種多様なセグメンテーションベンチマークで一貫して上回っている。 ラベル依存は、正確なセグメンテーションのために画像情報と相補的な貴重な信号を提供する。 実験のコードはhttps://github.com/ZixunWang/RankSEG-DEPで公開されている。

関連論文リスト

• Label-Free Cross-Task LoRA Merging with Null-Space Compression [50.63908869296697]
  我々は,ラベルフリーで出力に依存しない手法であるNull-Space Compression (NSC) Mergingを紹介した。 NSCは、従来のメソッドがタスクのサブセットに収まるバランスの取れたゲインを持つ20の異種視覚タスクに対して、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） (2026-03-27T11:34:41Z)
• SoftPQ: Robust Instance Segmentation Evaluation via Soft Matching and Tunable Thresholds [0.0]
  フレキシブルかつ解釈可能なインスタンスセグメンテーションメトリックであるSoftPQを提案する。 我々は、既存のメトリクスが見落としているセグメンテーション品質の有意義な違いをSoftPQが捉えていることを示す。
  論文  参考訳（メタデータ） (2025-05-17T22:08:33Z)
• Dissecting the Failure of Invariant Learning on Graphs [36.11431280689549]
  本研究では、2つの顕著な不変学習法の性能を理論的に判別する構造因果モデル(SCM)を開発した。 我々は,同じクラスに設定されたクロス環境表現をアライメントすることで,突発的特徴を明示的に排除する,クロス環境内アライメント(CIA)を提案する。 さらに、隣接ラベルの分布を利用してノード表現を選択的に整列させるCIA-LRA(Localized Reweighting Alignment)を提案する。
  論文  参考訳（メタデータ） (2024-11-05T06:36:48Z)
• CPR++: Object Localization via Single Coarse Point Supervision [55.8671776333499]
  粗い点修正(CPR)は、アルゴリズムの観点からの意味的分散を緩和する最初の試みである。 CPRは、アノテートされた最初のポイントを置き換えるために、近隣地域のセマンティックセンターポイントを選択することで意味のばらつきを減らす。 CPR++は、スケール情報を取得し、グローバル領域における意味的分散をさらに低減することができる。
  論文  参考訳（メタデータ） (2024-01-30T17:38:48Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Boosting Continuous Sign Language Recognition via Cross Modality Augmentation [135.30357113518127]
  連続手話認識は不整合のビデオテキストペアを扱う。 クロスモーダル拡張を用いた新しいアーキテクチャを提案する。 提案するフレームワークは、既存のCTCベースの連続SLRアーキテクチャに容易に拡張できる。
  論文  参考訳（メタデータ） (2020-10-11T15:07:50Z)
• Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
  局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。 本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。 実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
  論文  参考訳（メタデータ） (2020-07-20T12:07:48Z)
• Progressive Identification of True Labels for Partial-Label Learning [112.94467491335611]
  部分ラベル学習(Partial-label Learning, PLL)は、典型的な弱教師付き学習問題であり、各トレーニングインスタンスには、真のラベルである候補ラベルのセットが設けられている。 既存のほとんどの手法は、特定の方法で解決しなければならない制約付き最適化として精巧に設計されており、計算複雑性をビッグデータにスケールアップするボトルネックにしている。 本稿では,モデルと最適化アルゴリズムの柔軟性を備えた分類器の新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T08:35:15Z)

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。