Diversity augmentation and multi-fuzzy label for semi-supervised semantic segmentation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Semantic segmentation aims to provide pixel-wise accurate predictions for images. Semi-supervised semantic segmentation aims to learn a semantic segmentation model using a limited number of labeled images and a large fraction of unlabeled images. Existing methods primarily focus on introducing additional models or complex training procedures but overlook the model itself and such complex strategies tend to discard many usable pixels, exacerbating the class imbalance problem . In this paper, we propose DAM for semi-supervised semantic segmentation, a simple yet effective method that mainly focuses on the inputs and outputs of the model itself. For the input component, we posit that diverse data augmentations can provide more semantic information . Therefore, we propose a method called Random Diversity Augmentations. Given an unlabeled image, we apply different triple-level data augmentations to provide more semantic information. For the output component, our approach is inspired by the fact that many unreliable predictions are confused only among the top classes rather than all classes, so we contend that fuzzy pixels can still provide valuable guidance to the model. Specifically, we select fuzzy pixels based on confidence and assign multi-fuzzy labels to these pixels for training the model, which allows us to leverage the information more effectively. Our straightforward DAM achieves new state-of-the-art performance on SSS different benchmarks. Code is available at https://github.com/Wang-zhenyan/DAM .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle