論文の概要: HDVS: semi-supervised semantic segmentation via heterogeneous dual-branch voting supervision

• arxiv url: http://arxiv.org/abs/2610.37236v1
• Date: Tue, 27 Oct 2026 13:42:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.64434
• Title: HDVS: semi-supervised semantic segmentation via heterogeneous dual-branch voting supervision
• Title（参考訳）: HDVS:異種二分岐投票監督による半教師付きセマンティックセマンティックセグメンテーション
• Abstract要約: 異種二分岐投票監視(HDVS)と呼ばれる新しい枠組みを提案する。 疑似ラベルを不均一な分岐から関連付ける投票機構を導入し,信頼性を高めた擬似ラベルを生成する。 機能通信モジュールを用いて各ブランチの特徴レベルに摂動を導入し,両ブランチ間の予測の多様性を最大化する。
• 参考スコア（独自算出の注目度）: 53.61927132068465
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semi-supervised semantic segmentation, which aims to utilize large volumes of unlabeled images to achieve accurate segmentation results with fewer human annotations, has attracted increasing attention. Prior methods were primarily based on the assumption that the pseudo-labels generated by each branch were sufficiently reliable to supervise the remaining branches. However, there is a concern that the errors in pseudo-labels could accumulate during co-training, potentially resulting in suboptimal performance. To this end, we present a novel framework called heterogeneous dual-branch voting supervision (HDVS), which is designed to enhance the reliability of pseudo-labels and mitigate the issues arising from pseudo-labeling. Specifically, based on the cross-supervision framework, we introduce a voting mechanism that correlates pseudo-labels from heterogeneous branches to produce pseudo-labels with enhanced reliability. Concurrently, we employ a feature communication module to introduce perturbations at the feature level in each branch to maximize prediction diversity across the dual branches while maintaining convergence. Comprehensive evaluations of the proposed HDVS on two benchmark datasets (PASCAL VOC 2012 and Cityscapes) demonstrate its superiority to the state-of-the-art approaches.
• Abstract（参考訳）: 人間のアノテーションを少なくして精度の高いセグメンテーション結果を実現するために,ラベル付き画像の大量利用を目的とした半教師付きセグメンテーションが注目されている。 従来の手法は主に、各ブランチが生成した擬似ラベルが、残りのブランチを監督するのに十分な信頼性を持つという仮定に基づいていた。 しかし、擬似ラベルの誤りがコトレーニング中に蓄積され、潜在的に準最適性能をもたらす可能性があるという懸念がある。 そこで本研究では,疑似ラベルの信頼性を高め,疑似ラベルによる問題を緩和する,異種二重ブランチ投票監視(HDVS)という新しい枠組みを提案する。 具体的には、クロススーパービジョンの枠組みに基づいて、異種分岐からの擬似ラベルを相関付け、信頼性を高めた擬似ラベルを生成する投票機構を導入する。 同時に,機能通信モジュールを用いて各ブランチの特徴レベルに摂動を導入し,収束を維持しつつ,両ブランチ間の予測の多様性を最大化する。 提案した2つのベンチマークデータセット(PASCAL VOC 2012とCityscapes)に対するHDVSの総合評価は、最先端のアプローチよりも優れていることを示している。

関連論文リスト

• UniSemAlign: Text-Prototype Alignment with a Foundation Encoder for Semi-Supervised Histopathology Segmentation [0.046180371154032895]
  マルチモーダルなセマンティックアライメントフレームワークUniSemAlignを提案する。 これは、明示的なクラスレベルの構造をピクセル単位の学習に注入することで、視覚的セグメンテーションを強化する。 教師付きセグメンテーション、クロスビュー一貫性、モーダルアライメントの目的でエンドツーエンドにトレーニングされている。
  論文  参考訳（メタデータ） (2026-04-10T09:53:33Z)
• DuetMatch: Harmonizing Semi-Supervised Brain MRI Segmentation via Decoupled Branch Optimization [16.0568992724046]
  DuetMatchは、医療画像セグメンテーションのための新しいデュアルブランチ半教師付きフレームワークである。 Decoupled Dropout Perturbationを導入し、ブランチ間の正規化を強制する。 また,凍結教師モデルからの安定な予測を用いてラベルを精錬するConsistency Matchingを提案する。
  論文  参考訳（メタデータ） (2025-10-17T18:31:58Z)
• Enhancing Dual Network Based Semi-Supervised Medical Image Segmentation with Uncertainty-Guided Pseudo-Labeling [5.1962665598872135]
  本稿では,デュアルネットワークアーキテクチャに基づく新しい半教師付き3次元医用画像分割フレームワークを提案する。 具体的には,クロス・擬似とエントロピーフィルタの両方を用いたクロス・コンシステンシー・エンハンスメント・モジュールについて検討し,ノイズの多い擬似ラベルを減らす。 さらに、教師付きコントラスト学習機構を用いて、不確実なボクセル特徴を信頼性の高いクラスプロトタイプと整合させる。
  論文  参考訳（メタデータ） (2025-09-16T13:40:20Z)
• DuPL: Dual Student with Trustworthy Progressive Learning for Robust Weakly Supervised Semantic Segmentation [6.775785126617824]
  信頼に足る進歩的学習(DuPL)を伴う2つの学生フレームワークを提案する。 実験結果は、PASCAL VOC 2012とMSデータセットにおける最近の最先端の代替よりも、提案されたDuPLの方が優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-17T12:14:34Z)
• Towards Distribution-Agnostic Generalized Category Discovery [51.52673017664908]
  データ不均衡とオープンエンドの分布は、現実の視覚世界の本質的な特性である。 我々は,BaCon(Self-Balanced Co-Advice contrastive framework)を提案する。 BaConは、対照的な学習ブランチと擬似ラベルブランチで構成され、DA-GCDタスクを解決するためのインタラクティブな監視を提供するために協力して動作する。
  論文  参考訳（メタデータ） (2023-10-02T17:39:58Z)
• Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection [149.23913018423022]
  弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。 2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。 本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-08T05:53:53Z)
• Mixed-supervised segmentation: Confidence maximization helps knowledge distillation [24.892332859630518]
  本研究では,ディープニューラルネットワークのためのデュアルブランチアーキテクチャを提案する。 上枝(教師)は強い注釈を受け、下枝(学生)は限られた監督によって駆動され、上枝が指導する。 エントロピーとKLの発散の相乗効果は性能を著しく向上させることを示した。
  論文  参考訳（メタデータ） (2021-09-21T20:06:13Z)

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。