Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Aprovechamiento de imágenes sin etiquetar fuera de distribución: segmentación semántica semisupervisada con un modelo de vocabulario abierto

Created by
  • Haebom

Autor

Wooseok Shin, Jisu Kang, Hyeonki Jeong, Jin Sob Kim, Sung Won Han

Describir

Este artículo propone SemiOVS, un marco de segmentación semántica basado en aprendizaje semisupervisado que aprovecha datos etiquetados limitados y abundantes datos no etiquetados fuera de distribución (OOD). Si bien estudios previos han mostrado resultados prometedores utilizando la segmentación limitada de conjuntos de datos estándar, no se ha explorado el potencial de aprovechar imágenes no etiquetadas a gran escala. SemiOVS utiliza el modelo de Segmentación de Vocabulario Abierto (OVS) para generar pseudoetiquetas de alta precisión para imágenes OOD. Los resultados experimentales en los conjuntos de datos Pascal VOC y Context demuestran que el aprovechamiento de imágenes no etiquetadas adicionales en un entorno con restricciones de etiquetas mejora el rendimiento, especialmente al aprovechar imágenes OOD mediante el modelo OVS. SemiOVS alcanza un rendimiento de vanguardia, superando a los métodos existentes PrevMatch y SemiVL en +3,5 mIoU y +3,0 mIoU, respectivamente.

Takeaways, Limitations

•
Takeaways:
◦
Demostración experimental de la eficacia de aprovechar imágenes enriquecidas sin etiquetas en un entorno de datos de etiquetas limitados.
◦
Se presenta un nuevo marco de aprendizaje semisupervisado basado en el modelo OVS para utilizar eficazmente imágenes OOD.
◦
Lograr un rendimiento de última generación mejorando el rendimiento de la segmentación semántica en comparación con los métodos existentes.
◦
Sugerimos el potencial de utilizar datos no etiquetados a gran escala en aplicaciones del mundo real.
•
Limitations:
◦
Se necesita más investigación sobre el rendimiento de generalización del método presentado en este artículo.
◦
Se necesita una evaluación de robustez para varias distribuciones de datos OOD.
◦
Es necesario verificar la generalización de los resultados experimentales limitados a un conjunto de datos específico.
👍
Made with Slashpage