論文の概要: RBMatch: Dual-Level Class Rebalancing for Semi-Supervised Building Footprint Extraction

• arxiv url: http://arxiv.org/abs/2610.07698v1
• Date: Tue, 06 Oct 2026 03:40:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.788485
• Title: RBMatch: Dual-Level Class Rebalancing for Semi-Supervised Building Footprint Extraction
• Title（参考訳）: RBMatch: 半スーパービジョンの建物の足跡抽出のためのデュアルレベルクラスレバランシング
• Abstract要約: リモートセンシングでは、厳しい前景-背景の不均衡が、特に自己学習の課題となる。 擬似ラベルの生成と教師なし最適化を協調的に制御する2レベルクラス分散フレームワークである textbfRBMatch を提案する。
• 参考スコア（独自算出の注目度）: 1.503974529275767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate building footprint extraction from high-resolution remote sensing imagery is essential for urban planning, disaster response, and environmental monitoring. However, obtaining dense pixel-level annotations is costly, motivating the use of semi-supervised learning (SSL) to leverage unlabeled imagery. In remote sensing, severe foreground--background imbalance poses a particular challenge for self-training, as it can bias pseudo-label generation and the resulting unsupervised optimization toward the majority background class. We show that addressing this imbalance at only one stage is insufficient: balancing pseudo-label selection alone does not prevent background bias from re-emerging during unsupervised loss optimization, a failure mode we term \emph{imbalance leak}. To address this issue, we propose \textbf{RBMatch}, a dual-level class-rebalancing framework that jointly regulates pseudo-label generation and unsupervised optimization. RBMatch combines a supervised learning pathway with a self-training module comprising three components: adaptive class-specific thresholding (ACT) for balanced pseudo-label selection, confidence-aware class-balanced reweighting (CACBR) for mitigating class bias in the unsupervised loss, and distribution alignment (DAL) for matching the predicted unlabeled-data distribution to the labeled-data prior. Experiments on the WHU, INRIA, and Massachusetts building footprint datasets across labeled ratios of 1%--10% show that RBMatch consistently achieves the best building IoU and F1-score among the evaluated methods. The improvement is most pronounced on the highly imbalanced Massachusetts dataset, where RBMatch improves IoU by 1.37 points over the strongest baseline at a 1% labeling ratio and is the only method to outperform the fully supervised baseline across all twelve dataset--ratio settings.
• Abstract（参考訳）: 都市計画,災害対応,環境モニタリングには,高解像度リモートセンシング画像からの正確な建物フットプリント抽出が不可欠である。 しかし、高密度なピクセルレベルのアノテーションを得るにはコストがかかるため、ラベル付けされていない画像を活用するための半教師付き学習(SSL)の利用が動機となっている。 リモートセンシングでは、重度フォアグラウンド-バックグラウンドの不均衡は、擬似ラベルの生成を偏り、その結果、大多数のバックグラウンドクラスに対して教師なしの最適化をもたらすため、特に自己学習の課題となる。 擬似ラベルの選択のバランスだけでは、教師なし損失最適化中にバックグラウンドバイアスが再発生することを防げず、フェールモードは 'emph{im Balance leak}' と呼ぶ。 この問題に対処するために,擬似ラベルの生成と教師なし最適化を協調的に制御する,二重レベルのクラスリバランシングフレームワークである \textbf{RBMatch} を提案する。 RBMatchは、教師付き学習経路と、調整済みの擬似ラベル選択のための適応型クラス固有しきい値設定(ACT)、教師なしの損失におけるクラスバイアスを緩和する信頼型クラスバランス再重み付け(CACBR)、予測されたラベル付きデータの分布をラベル付きデータに一致させる分散アライメント(DAL)の3つのコンポーネントからなるセルフトレーニングモジュールとを結合する。 WHU、INRIA、マサチューセッツのビルドフットプリントデータセットのラベル付き比率1%--10%の実験は、RBMatchが評価された方法の中で、最高のビルディングIoUとF1スコアを一貫して達成していることを示している。 RBMatchは、最強のベースラインに対して1%のラベル付け比率でIoUを1.37ポイント改善し、12のデータセット設定すべてで完全に監督されたベースラインを上回る唯一の方法である。

関連論文リスト

• When Noise Meets Long-Tail: Feature-Threshold Dual Calibration for Robust Pseudo-Labeling [17.35762425318006]
  Pseudo-labelingはセマンティックセグメンテーションにおける未ラベルデータから学習の基盤となっている。 本稿では,標準教師学生フレームワーク上に構築されたFeature-ThresholdデュアルキャリブレーションフレームワークであるFTC-Segを提案する。 FTC-Segは最先端の手法に対して高い性能を達成し、特にテールクラスにおいて顕著な利益を得ていることを示す。
  論文  参考訳（メタデータ） (2026-09-27T15:28:18Z)
• A Step Towards Robust Unsupervised Domain Adaptation via Fine-Tuning and Reinforcement Learning [2.436631469537453]
  我々は,2段階の堅牢なUDAフレームワークである textbfSFT+RL を提案し,Supervised Fine Tuning と Reinforcement Learning を統合した。 textbfSFT+RLは、清潔な精度で textbf10.2% を平均的に改善し、textbf15.8% を3つのデータセットで比較した。
  論文  参考訳（メタデータ） (2026-07-03T20:56:12Z)
• Energy Score-based Pseudo-Label Filtering and Adaptive Loss for Imbalanced Semi-supervised SAR target recognition [1.2035771704626825]
  既存の半教師付きSAR ATRアルゴリズムは、クラス不均衡の場合、認識精度が低い。 この研究は、動的エネルギースコアと適応損失を用いた非平衡半教師付きSAR目標認識手法を提供する。
  論文  参考訳（メタデータ） (2024-11-06T14:45:16Z)
• An Embarrassingly Simple Baseline for Imbalanced Semi-Supervised Learning [103.65758569417702]
  半教師付き学習(SSL)は、ラベルのないデータを活用してモデルのパフォーマンスを向上させるという大きな約束を示している。 我々は、ラベル付きデータとラベルなしデータの両方で不均衡なクラス分散が発生する不均衡SSLという、より現実的で困難な設定について検討する。 我々は、ラベル付きデータを擬似ラベルで単純に補うことで、データの不均衡に取り組む単純なベースライン、SimiSについて研究する。
  論文  参考訳（メタデータ） (2022-11-20T21:18:41Z)
• Debiased Learning from Naturally Imbalanced Pseudo-Labels for Zero-Shot and Semi-Supervised Learning [27.770473405635585]
  この研究は、疑似ラベルのバイアス問題を研究する。これは、広く起こるが、しばしば先行研究によって見落とされがちな自然現象である。 半教師付き学習モデルであるFixMatchは、ラベルなしデータを計算したとしても、ラベルなし集合上のラベルを予測したとき、重く長い尾の擬似ラベルを観察する。 介入なしに、トレーニングモデルは擬似ラベルからバイアスを継承し、最終的には準最適となる。
  論文  参考訳（メタデータ） (2022-01-05T07:40:24Z)
• Label Distributionally Robust Losses for Multi-class Classification: Consistency, Robustness and Adaptivity [55.29408396918968]
  多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。 我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。 本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
  論文  参考訳（メタデータ） (2021-12-30T00:27:30Z)
• Semi-Supervised Object Detection with Adaptive Class-Rebalancing Self-Training [5.874575666947381]
  本研究は、追加のラベル付きデータを用いて半教師付き物体検出を行い、検出性能を向上させることを目的とする。 疑似ラベルを生成するための新しい2段階フィルタリングアルゴリズムを提案する。 提案手法は,MS-COCOおよびVOCベンチマークの良好な改善を実現する。
  論文  参考訳（メタデータ） (2021-07-11T12:14:42Z)
• Distribution Aligning Refinery of Pseudo-label for Imbalanced Semi-supervised Learning [126.31716228319902]
  Pseudo-label (DARP) アルゴリズムの分散アライメント・リファナリーを開発する。 DARPは最先端のSSLスキームと有効かつ効率的に互換性があることを示す。
  論文  参考訳（メタデータ） (2020-07-17T09:16:05Z)

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。