論文の概要: Hybrid supervised instance segmentation by learning label noise suppression

• arxiv url: http://arxiv.org/abs/2610.20412v1
• Date: Wed, 14 Oct 2026 16:10:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.246186
• Title: Hybrid supervised instance segmentation by learning label noise suppression
• Title（参考訳）: 学習ラベル雑音抑圧によるハイブリッド教師付きインスタンスセグメンテーション
• Abstract要約: 経済的なバウンディングボックスラベルと正確なピクセルワイドラベルをハイブリッド方式で活用できるパイプラインを提案する。 具体的には、2つのアシラリーモデルを設計し、ラベルの抑圧を学習し、バウンディングボックスラベルから正確な擬似ピクセルワイズラベルを得る。 我々は、擬似ラベルの精度を向上させるために、カテゴリ対応空間アテンションモジュール、カテゴリ制約モジュール、インスタンス制約モジュール、自己学習学習アプローチを利用する。
• 参考スコア（独自算出の注目度）: 27.692864033957676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To reach top accuracy, current fully supervised instance segmentation methods severely rely on large-scale pixel-wise labeled datasets. They are usually expensive and time-consuming to obtain. Though weakly or semi-supervised methods utilize cheap bounding box labeled, image-level labeled or unlabeled samples to save the labeling cost, their performance is largely sacrificed. To save labeling cost without losing much performance, in this paper, we present a pipeline that can utilize economical bounding box labels and accurate pixel-wise labels in a hybrid way. Specifically, we design two ancillary models to learn label noise suppression and obtain accurate pseudo pixel-wise labels from bounding box labels for training. One is designed to suppress mislabeling between foreground and background, and the other is designed to suppress noise from mislabeling of instances. Moreover, we exploit category-aware spatial attention module, category constraint module, instance constraint module, and self-learning training approach to improve the accuracy of pseudo labels. Experiments on the PASCAL VOC 2012 and the Cityscapes datasets show that our method can achieve competitive performance with much less labeling cost.
• Abstract（参考訳）: 最高精度に到達するために、現在の完全に教師付きインスタンスセグメンテーション手法は、大規模なピクセル単位のラベル付きデータセットに強く依存している。 通常は高価で入手に時間がかかる。 弱い、あるいは半監督的な手法では、ラベル付けされた安価なバウンディングボックス、画像レベルのラベル付けまたはラベル付けされていないサンプルを使用してラベル付けコストを削減しているが、そのパフォーマンスは大部分が犠牲になっている。 本稿では,性能を損なうことなくラベルのコストを抑えるために,経済的なバウンディングボックスラベルと正確なピクセルワイドラベルをハイブリッド方式で活用できるパイプラインを提案する。 具体的には、2つのアシラリーモデルを設計し、ラベルノイズ抑圧を学習し、トレーニングのために境界ボックスラベルから正確な擬似ピクセルワイズラベルを得る。 ひとつは、フォアグラウンドとバックグラウンドのミスラベリングを抑えるように設計され、もうひとつは、インスタンスのミスラベリングからノイズを抑制するように設計されている。 さらに,カテゴリ対応空間アテンションモジュール,カテゴリ制約モジュール,インスタンス制約モジュール,自己学習学習アプローチを活用し,擬似ラベルの精度を向上させる。 PASCAL VOC 2012 と Cityscapes データセットを用いた実験により,提案手法はラベル付けコストを大幅に削減して,競争性能を向上できることが示された。

関連論文リスト

• PaSta: Noisy Node Classification with Partial Label Learning [58.43127707101144]
  本稿では,既存の手法の限界を克服するために,新しいラベルベースの自己学習フレームワークを提案する。 PaStaは、様々なノイズ設定下での分類性能の平均1.1%の改善を実現している。
  論文  参考訳（メタデータ） (2026-08-26T04:40:23Z)
• Mixed Blessing: Class-Wise Embedding guided Instance-Dependent Partial Label Learning [53.64180787439527]
  部分ラベル学習(PLL)では、各サンプルは、基底トラスラベルと複数のノイズラベルからなる候補ラベルセットに関連付けられている。 初めて、各サンプルに対してクラスワイドな埋め込みを作成し、インスタンス依存のノイズラベルの関係を調査できるようにします。 ラベルの曖昧さを低減するため,グローバルな特徴情報を含むクラスプロトタイプのコンセプトを紹介した。
  論文  参考訳（メタデータ） (2024-12-06T13:25:39Z)
• Learning from Concealed Labels [5.235218636685312]
  複数クラス分類のための隠れラベルから学習する,各インスタンスのプライバシ保護のための新しい設定を提案する。 ラベル収集段階では、機密ラベルがラベルセットに現れるのを防止し、機密データを注釈付けするための隠蔽ラベルとしてランダムにサンプリングされた無機密ラベルを指定しない。
  論文  参考訳（メタデータ） (2024-12-03T08:00:19Z)
• You can't handle the (dirty) truth: Data-centric insights improve pseudo-labeling [60.27812493442062]
  擬似ラベル法を改善するためにラベル付きデータ品質を調査することが重要であることを示す。 具体的には、擬似ラベルの拡張のために、DIPSと呼ばれる新しいデータキャラクタリゼーションと選択フレームワークを導入する。 本研究では,多種多様な実世界のデータセットを対象とした擬似ラベル手法に対するDIPSの適用性と影響を実証する。
  論文  参考訳（メタデータ） (2024-06-19T17:58:40Z)
• Pseudo-labelling meets Label Smoothing for Noisy Partial Label Learning [8.387189407144403]
  我々は、完全注釈付きデータセットのキュレーションが高価である問題に対する効果的な学習パラダイムとして、弱い教師付き学習を動機付けている。 PLL(Partial Learning)は、各トレーニングインスタンスが候補ラベルのセットとペアリングされる、弱い教師付き学習パラダイムである。 本稿では,近傍の重み付けアルゴリズムを用いて,まず画像に擬似ラベルを割り当てるフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-07T13:32:47Z)
• Towards Imbalanced Large Scale Multi-label Classification with Partially Annotated Labels [8.977819892091]
  マルチラベル分類は、複数のクラスにインスタンスを関連付けることができる日常生活において、広く発生する問題である。 本研究では,ラベルの不均衡の問題に対処し,部分ラベルを用いたニューラルネットワークのトレーニング方法について検討する。
  論文  参考訳（メタデータ） (2023-07-31T21:50:48Z)
• Soft Curriculum for Learning Conditional GANs with Noisy-Labeled and Uncurated Unlabeled Data [70.25049762295193]
  本稿では,トレーニング中にノイズラベル付きおよび未処理データを受け入れる条件付き画像生成フレームワークを提案する。 本稿では,ラベルのないデータに新たなラベルを割り当てながら,逆行訓練にインスタンスワイドを割り当てるソフトカリキュラム学習を提案する。 実験により,本手法は,定量および定性性能の両面において,既存の半教師付き・ラベル付きロバストな手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-17T08:31:59Z)
• Label Smarter, Not Harder: CleverLabel for Faster Annotation of Ambiguous Image Classification with Higher Quality [0.6927055673104933]
  私たちは1つのオプションとして提案誘導アノテーションを使用し、アノテーション間の一貫性を高めます。 本稿では,検証された提案誘導アノテーションと修復されたLABLを用いて,コスト効率の高いLabElingのためのCleverLabelを提案する。 クレバーラベルはラベリングコストを最大30.0%削減し、クルバック・リーバーの分岐率を最大29.8%に向上させる。
  論文  参考訳（メタデータ） (2023-05-22T08:12:25Z)
• Bridging the Gap between Model Explanations in Partially Annotated Multi-label Classification [85.76130799062379]
  偽陰性ラベルがモデルの説明にどのように影響するかを考察する。 本稿では,部分ラベルで学習したモデルの属性スコアを向上し,その説明をフルラベルで学習したモデルと類似させる。
  論文  参考訳（メタデータ） (2023-04-04T14:00:59Z)
• ScarceNet: Animal Pose Estimation with Scarce Annotations [74.48263583706712]
  ScarceNetは、ラベルのない画像のための人工ラベルを生成するための擬似ラベルベースのアプローチである。 我々は、既存の半教師付きアプローチを大きなマージンで上回る、挑戦的なAP-10Kデータセットに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2023-03-27T09:15:53Z)

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。