抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
粗いラベル付き意味セグメンテーションアノテーションは入手が容易であるが,エッジの詳細を失い,背景画素を導入するリスクを持っている。固有雑音により,既存の粗いアノテーションは,モデル予訓練のためのブンズとしてのみ取られる。本論文では,信頼ベースの再重み付け戦略を用いてそれらの可能性を利用することを試みた。拡張するために,損失ベースの再重みづけ戦略は,通常,2つの完全に異なる型のピクセル,すなわちノイズのないアノテーションにおける貴重な画素とノイズのあるアノテーションにおける誤ラベル化ピクセルを同定するために,高い損失値を取る。これにより,貴重なピクセルをマイニングし,同時に誤ラベル化画素を抑圧する2つのタスクを実行できない。しかし,予測信頼度の助けを借りて,著者らはこのジレンマを首尾よく解決し,同時に単一再重みづけ戦略で2つのサブタスクを実行する。さらに,著者らは,この戦略をAdversarial Reweightingモジュール(ARM)に一般化し,その収束を厳密に証明した。標準データセットに関する実験は,ARMが粗いアノテーションと微細なアノテーションの両方に対して一貫した改良をもたらすことができることを示した。特に,DeepLabv3+の上部に構築して,ARMは,かなりのマージンによって,粗い標識した都市景観上のmIoUを改善し,ADE20Kデータセット上のmIoUを47.50に増加させた。【JST・京大機械翻訳】