Fugu-MT 論文翻訳(概要): MixSIS: Mixed-supervised instance segmentation

論文の概要: MixSIS: Mixed-supervised instance segmentation

arxiv url: http://arxiv.org/abs/2610.37138v1
Date: Tue, 27 Oct 2026 12:34:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-28 21:04:31.586348
Title: MixSIS: Mixed-supervised instance segmentation
Title（参考訳）: MixSIS: Mixed-supervised instance segmentation
Abstract要約: 労働集約的なアノテーションプロセスを克服するために、ボックス、ポイント、イメージレベルのアノテーションに基づく弱教師付きインスタンスセグメンテーション(WSIS)が提案されている。データセット内のアノテーションレベルの柔軟な混合を可能にするMixSIS(Mixed-Supervised Instance)タスクを提案する。 We evaluate AnnsMixer on both WSIS and MixSIS。
参考スコア（独自算出の注目度）: 3.861523667432406
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Weakly-supervised instance segmentation (WSIS) based on either box-, point-, or image-level annotations has been proposed to overcome the labor-intensive annotation process in fully-supervised instance segmentation. Despite decent results, most WSIS methods only focus on a single annotation level, ignoring that some objects are easy to spot from point annotations, while others require box or even mask annotations. Therefore, we propose the Mixed-Supervised Instance Segmentation (MixSIS) task, which allows a flexible mix of annotation levels (image, point, box, and mask) within a dataset. MixSIS has a high practical relevance, as it allows optimizing the annotation process by annotating challenging objects in more detail, while saving time on simpler instances with less detailed annotations. To address MixSIS, we propose AnnotationsMixer (AnnsMixer) as a baseline. AnnsMixer is a truly mixed-supervised instance segmentation system, which generates pseudo mask annotations from all annotation levels, even mixed within a single image. We evaluate AnnsMixer on both WSIS and MixSIS tasks, largely outperforming state-of-the-art methods. In three case studies, we also demonstrate how the unique features of MixSIS and AnnsMixer can substantially reduce the annotation time (-90%) or improve the results (+34%) in instance segmentation with a simple annotation rule or leveraging heterogeneous data. Our code is available at https://github.com/chwilms/MixSIS
Abstract（参考訳）: ボックス、ポイント、イメージレベルのアノテーションに基づく弱教師付きインスタンスセグメンテーション(WSIS)が提案され、完全に教師付きインスタンスセグメンテーションにおける労働集約的なアノテーションプロセスを克服している。まともな結果にもかかわらず、ほとんどのWSISメソッドは単一のアノテーションレベルにのみフォーカスし、いくつかのオブジェクトはポイントアノテーションから簡単に見つけられることを無視し、他のオブジェクトはボックスやマスクアノテーションさえ必要とします。そこで本研究では,データセット内のアノテーションレベル(画像,ポイント,ボックス,マスク)の柔軟な混合を可能にする,MixSIS(Mixed-Supervised Instance Segmentation)タスクを提案する。 MixSISは、より詳細なアノテーションの少ない単純なインスタンスで時間を節約しながら、挑戦的なオブジェクトにより詳細にアノテーションをアノテートすることで、アノテーションプロセスの最適化を可能にするため、非常に実用的な関連性を持っている。 MixSISに対処するため,ベースラインとして AnnotationsMixer (AnnsMixer) を提案する。 AnnsMixerは、真の混合教師付きインスタンスセグメンテーションシステムで、すべてのアノテーションレベルから擬似マスクアノテーションを生成する。 We evaluate AnnsMixer on both WSIS and MixSIS。 3つのケーススタディでは、MixSISとAnnsMixerのユニークな特徴が、単純なアノテーション規則や異種データを利用したインスタンスセグメンテーションにおいて、アノテーション時間(-90%)を大幅に短縮したり、結果(+34%)を改善できることを示す。私たちのコードはhttps://github.com/chwilms/MixSISで利用可能です。

関連論文リスト

MixSup: Mixed-grained Supervision for Label-efficient LiDAR-based 3D Object Detection [59.1417156002086]
MixSupは、大量の安価な粗いラベルと、Mixed-fine Supervisionの限られた数の正確なラベルを同時に活用する、より実用的なパラダイムである。 MixSupは、安価なクラスタアノテーションと10%のボックスアノテーションを使用して、完全な教師付きパフォーマンスの97.31%を達成している。
論文参考訳（メタデータ） (2024-01-29T17:05:19Z)
How to Efficiently Annotate Images for Best-Performing Deep Learning Based Segmentation Models: An Empirical Study with Weak and Noisy Annotations and Segment Anything Model [16.745318743249864]
ディープニューラルネットワーク(DNN)は、様々な画像セグメンテーションタスクで例外的なパフォーマンスを示している。この課題を軽減するために、弱いラベルを使ったり、より正確でない(ノイズの多い)アノテーションを使ったりできる。ノイズと弱いラベルは生成がかなり早くなり、同時にアノテートされた画像がより高速になる。
論文参考訳（メタデータ） (2023-12-17T04:26:42Z)
Weakly Supervised 3D Instance Segmentation without Instance-level Annotations [57.615325809883636]
3Dセマンティックシーン理解タスクは、ディープラーニングの出現によって大きな成功を収めた。本稿では,分類的セマンティックラベルのみを監督対象とする,弱制御型3Dインスタンスセマンティクス手法を提案する。分類的セマンティックラベルから擬似インスタンスラベルを生成することで,アノテーションコストの低減で既存の3Dインスタンスセグメンテーションの学習を支援することができる。
論文参考訳（メタデータ） (2023-08-03T12:30:52Z)
MACSum: Controllable Summarization with Mixed Attributes [56.685735509260276]
MACSumは、混合属性を制御するための最初の人間アノテーションによる要約データセットである。混合制御可能な要約の新しいタスクに対する2つの単純かつ効果的なパラメータ効率のアプローチを提案する。
論文参考訳（メタデータ） (2022-11-09T17:17:37Z)
Swapping Semantic Contents for Mixing Images [44.0283695495163]
データ拡張の混合は通常、クラス間のサンプルを無差別に混合するため、ラベル付きサンプルを新たに生成しない。我々は、画像背景にセマンティックスタイルのコードを埋め込むジェネレータを学ぶことができるSciMixフレームワークを紹介した。我々は,SciMixが非セマンティックな両親から多くの特徴を継承する新規な混合サンプルを産み出すことを示した。
論文参考訳（メタデータ） (2022-05-20T13:07:27Z)
Harnessing Hard Mixed Samples with Decoupled Regularizer [69.98746081734441]
Mixupは、決定境界を混合データで滑らかにすることで、ニューラルネットワークの一般化を改善する効率的なデータ拡張アプローチである。本稿では,非結合型正規化器(Decoupled Mixup, DM)を用いた効率的な混合目標関数を提案する。 DMは、ミキシングの本来の滑らかさを損なうことなく、硬質混合試料を適応的に利用して識別特性をマイニングすることができる。
論文参考訳（メタデータ） (2022-03-21T07:12:18Z)
Scaling up instance annotation via label propagation [69.8001043244044]
本稿では,オブジェクトセグメンテーションマスクを用いた大規模データセット構築のための高効率アノテーション手法を提案する。セグメンテーションモデルによるマスク予測に階層的クラスタリングを用いることにより,これらの類似性を生かした。総アノテーション時間はたった290時間である100万個のオブジェクトセグメンテーションマスクが得られた。
論文参考訳（メタデータ） (2021-10-05T18:29:34Z)
SnapMix: Semantically Proportional Mixing for Augmenting Fine-grained Data [124.95585891086894]
提案はSemantically Proportional Mixing(SnapMix)と呼ばれるクラスアクティベーションマップ(CAM)を利用して、きめ細かいデータを強化する際にラベルノイズを低減します。本手法は既存の混合型アプローチを一貫して上回っている。
論文参考訳（メタデータ） (2020-12-09T03:37:30Z)

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。