不確実性誘導自己交差監視による半教師つきセマンティックセグメンテーション【JST・京大機械翻訳】

Zhang Yunyang; Gong Zhiqiang; Zheng Xiaohu; Zhao Xiaoyu; Yao Wen

プレプリント

J-GLOBAL ID：202202217776693930 整理番号：22P0301768

不確実性誘導自己交差監視による半教師つきセマンティックセグメンテーション【JST・京大機械翻訳】

Semi-supervision semantic segmentation with uncertainty-guided self cross supervision

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年03月09日プレプリントサーバーでの情報更新日： 2022年03月14日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

半教師つきセグメンテーションを実現する強力な方法として,交差監視法は,豊富なラベルなし画像を用いた独立アンサンブルモデルに基づくクロス一貫性を学習する。しかし,交差監視によって発生する誤った擬似ラベリング情報は,訓練プロセスを混乱させ,セグメンテーションモデルの有効性に悪影響を与える。また,そのような方法におけるアンサンブルモデルの訓練プロセスは,計算資源のコストを多重にし,訓練効率を低下させる。これらの問題を解決するために,新しい交差監視法,すなわち,不確実性誘導自己交差監視(USCS)を提案した。アンサンブルモデルに加えて,まず,共有モデルで多重出力を生成し,その結果,出力に一貫性を課し,パラメータおよび計算のコストを節約できる多入力多出力(MIMO)セグメンテーションモデルを設計した。他方,著者らは,擬似ラベルの高信頼領域に焦点を合わせ,自己交差監視における誤った擬似ラベリングの影響を緩和するための誘導情報として不確実性を採用し,セグメンテーションモデルの性能を改善した。大規模な実験は,著者らの方法が,パラメータおよび計算に関して40.5%および49.1%のコストを節約しながら,最先端の性能を達成することを示した。【JST・京大機械翻訳】

, , , , , ,
, , , , 【Automatic Indexing@JST】

図形・画像処理一般 , パターン認識

, , , ,

前のページに戻る