論文の概要: Multi-Task Partially Supervised Learning for Super-Resolution and Semantic Segmentation on Earth Observation data

• arxiv url: http://arxiv.org/abs/2610.06389v1
• Date: Mon, 05 Oct 2026 14:13:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 08:40:43.615276
• Title: Multi-Task Partially Supervised Learning for Super-Resolution and Semantic Segmentation on Earth Observation data
• Title（参考訳）: 地球観測データを用いた超解法・セマンティックセグメンテーションのためのマルチタスク部分教師付き学習
• Abstract要約: 両タスクのマルチタスク部分教師付き学習パラダイムについて検討する。 共有表現の利点を生かしたハイブリッド変種と再射影損失を提案する。 実験はSOTAシーケンシャル変種と比較して良好な結果を示した。
• 参考スコア（独自算出の注目度）: 5.40729975786985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Super-resolution and semantic segmentation are known to benefit one another, especially in the Earth observation context. However, learning both tasks in a joint model often requires both task annotations, which is impractical and expensive. In this paper, we study the multi-task partially supervised learning paradigm for both tasks, where each example is assumed to have only a single-task annotation. To that end, we examine two multi-task architectural variations, the sequential and shared variants, and then propose a hybrid variant and a re-projection loss to benefit from the shared representation and enforce image quality of super-resolution when training with semantic segmentation. Experiments show favorable results compared to the SOTA sequential variant. Source code will be published at https://github.com/lhoangan/munera.
• Abstract（参考訳）: 超解像とセマンティックセグメンテーションは、特に地球観測の文脈において互いに利益をもたらすことが知られている。 しかし、共同モデルで両方のタスクを学習するには、実用的でなく高価なタスクアノテーションの両方が必要となることが多い。 本稿では,両タスクのマルチタスク部分教師付き学習パラダイムについて検討し,それぞれの例が単一タスクアノテーションのみを持つと仮定する。 そこで,2つのマルチタスクアーキテクチャ,シーケンシャルおよび共有なバリエーションについて検討し,共有表現の利点を生かしたハイブリッド変種と再投影損失を提案し,セマンティックセグメンテーションを用いたトレーニングにおいて,超解像の画質を強制する。 実験はSOTAシーケンシャル変種と比較して良好な結果を示した。 ソースコードはhttps://github.com/lhoangan/munera.comで公開される。

関連論文リスト

• DeCo: Efficient Decouple-to-Couple Learning for Multi-Task Visual Grounding [60.19375952029603]
  マルチタスクの視覚的接地には、言語意味論を共同で理解し、正確な視覚的局所化とセグメンテーションを行うモデルが必要である。 効率的な $textbfDe$couple-to-$textbfCo$uple 学習フレームワークである $textbfDeCo$を紹介します。 DeCoは、自然とリモート両方のベンチマークで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） (2026-09-21T10:58:55Z)
• Multi-task learning on partially labeled datasets via invariant/equivariant semi-supervised learning [51.616045590947344]
  一般的なFixMatch法を、不変半教師付き学習とその同変拡張FixMatchに適用する。 コンピュータビジョンにおけるオブジェクト検出とセマンティックセグメンテーションタスクのコンテキストにおいて,Cityscapes と BDD100K データセットの性能を評価する。
  論文  参考訳（メタデータ） (2026-05-17T19:43:05Z)
• Leveraging knowledge distillation for partial multi-task learning from multiple remote sensing datasets [2.1178416840822023]
  ターゲットタスクの1つにトレーニング例をアノテートする部分的マルチタスク学習は、リモートセンシングにおいて有望なアイデアである。 本稿では, 知識蒸留を用いて, 代替課題における基礎的真理の必要性を代替し, その性能を向上させることを提案する。
  論文  参考訳（メタデータ） (2024-05-24T09:48:50Z)
• Distribution Matching for Multi-Task Learning of Classification Tasks: a Large-Scale Study on Faces & Beyond [62.406687088097605]
  マルチタスク学習(MTL)は、複数の関連するタスクを共同で学習し、共有表現空間から恩恵を受けるフレームワークである。 MTLは、ほとんど重複しない、あるいは重複しないアノテーションで分類タスクで成功することを示す。 本稿では,分散マッチングによるタスク間の知識交換を可能にする新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-01-02T14:18:11Z)
• Concrete Subspace Learning based Interference Elimination for Multi-task Model Fusion [86.6191592951269]
  一般的な事前訓練された大規模モデルから微調整されたマージングモデルは、様々なタスクに特化しているが、様々なタスクでうまく機能するマルチタスクモデルを構築するための安価でスケーラブルな戦略として実証されている。 本稿では、共通低次元部分空間を同定し、その共有情報トラック干渉問題を性能を犠牲にすることなく利用するための連続緩和(Concrete)部分空間学習法を提案する。
  論文  参考訳（メタデータ） (2023-12-11T07:24:54Z)
• Data exploitation: multi-task learning of object detection and semantic segmentation on partially annotated data [4.9914667450658925]
  本稿では,物体検出とセマンティックセグメンテーションの併用学習について検討する。 本稿では,共同タスク最適化の活用を目的とした知識蒸留手法を提案する。
  論文  参考訳（メタデータ） (2023-11-07T14:49:54Z)
• YOLOR-Based Multi-Task Learning [12.5920336941241]
  マルチタスク学習(MTL)は、単一のモデルを用いて複数のタスクを学習し、一般化と共有セマンティクスを前提として、これらすべてのタスクを共同で改善することを目的としている。 マルチタスクに特化したネットワークアーキテクチャYOLOR(You Only Learn One Representation)の構築を提案する。 本手法は,低パラメータ数を維持しつつ,事前学習を行わずに,全てのタスクにおける競合性能を実現する。
  論文  参考訳（メタデータ） (2023-09-29T01:42:21Z)
• DiSparse: Disentangled Sparsification for Multitask Model Compression [92.84435347164435]
  DiSparseは、シンプルで効果的で、第一級のマルチタスクプルーニングとスパーストレーニングスキームである。 実験の結果,様々な設定や設定において優れた性能を示した。
  論文  参考訳（メタデータ） (2022-06-09T17:57:46Z)
• Multi-View representation learning in Multi-Task Scene [4.509968166110557]
  我々は,MTMVCSF(Common and Special Features)に基づくマルチタスク多視点学習(multi-Task Multi-View learning)と呼ばれる,新しい半教師付きアルゴリズムを提案する。 AN-MTMVCSFと呼ばれるマルチタスク・マルチタスク・マルチビュー・アルゴリズムが提案されている。 これらのアルゴリズムの有効性は、実世界と合成データの双方でよく設計された実験によって証明される。
  論文  参考訳（メタデータ） (2022-01-15T11:26:28Z)

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。