CW-BASS v2 cible la sélection de pseudo-étiquettes avec DINOv2
La méthode adapte le filtrage pour la segmentation semi-supervisée sous l’égide de modèles de fondation enseignants.
Pourquoi c'est important
Ces travaux traitent un mode de défaillance concret lié à l’application d’anciennes heuristiques de segmentation semi-supervisée à des modèles de fondation enseignants. Ils suggèrent qu’une sélection tenant compte de la calibration pourrait devenir nécessaire à mesure que les encodeurs de fondation pour la vision s’imposent comme enseignants standard.
Points clés
- 1.CW-BASS v2 adapte le filtrage des pseudo-étiquettes aux régimes de confiance des enseignants.
- 2.La méthode cible la saturation de la confiance chez les enseignants de segmentation basés sur DINOv2.
- 3.Elle utilise une calibration sur un jeu tenu à l’écart et des estimations du bruit par classe.
Des chercheurs ont présenté CW-BASS v2, une méthode de sélection de pseudo-étiquettes sensible à la saturation pour la segmentation sémantique semi-supervisée utilisant des modèles de fondation enseignants comme DINOv2. L’article soutient que la saturation de la confiance dans les encodeurs de fondation auto-supervisés modifie la manière dont le filtrage des pseudo-étiquettes doit fonctionner, car des règles conçues pour des enseignants ResNet plus bruités peuvent pénaliser des enseignants plus performants. CW-BASS v2 s’appuie sur une calibration sur un jeu tenu à l’écart, une estimation du bruit par classe et un seuil plancher de confiance auto-adaptatif pour décider quand filtrer strictement ou revenir à un seuil adaptatif.
⚡ À tester aujourd'hui
Auditer les règles de filtrage des pseudo-étiquettes avant de réutiliser des pipelines de segmentation de l’ère ResNet avec des enseignants DINOv2.
Sources et articles originaux
Ce brief résume et renvoie vers la couverture des médias ci-dessous.
- arXiv cs.AIPseudoMapLabeler: Confidence-Aware Pseudo-Label Generation for Semi-Supervised Online MappingAug 15, 12:00 PM↗
- arXiv cs.LGCW-BASS v2: Saturation-Aware Pseudo-Label Selection for Semi-Supervised Segmentation under Foundation-Model TeachersAug 14, 12:00 PM↗
- HF Daily PapersCW-BASS v2: Saturation-Aware Pseudo-Label Selection for Semi-Supervised Segmentation under Foundation-Model TeachersAug 13, 4:00 AM↗
Ce brief vous a plu ? Recevez le prochain par e-mail.
Plus dans Recherche
Une startup affirme que les données sont essentielles aux avancées de l’IA contre le cancer
Selon TechCrunch, la startup estime que l’IA est encore loin de guérir le cancer sans de meilleures données.
HarnessRisk évalue les défaillances de sécurité dans les harnais d’agents
Le benchmark teste des attaques à différentes phases des harnais d’agents, tandis que des travaux connexes étudient le provisionnement propre à chaque tâche.
Agent Lightning v1.0 cible le RL agentique avec harnais
Le framework relie des harnais d’agents arbitraires au post-entraînement par apprentissage par renforcement.