研究人员推出了一种名为“学习标注”（L2L）的新型框架，旨在通过将伪标签生成视为一个可学习的过程来改进半监督指代表达分割（SS-RES）。L2L 利用多模态大语言模型提取语义空间先验，指导分层分割网络。该框架采用一种强化的伪标签选择机制，自适应地奖励有用的监督，从而在稀疏数据条件下实现分割模型和伪标签的联合优化，以提高可靠性。在标准数据集上的实验表明，L2L 的性能优于现有方法。 AI
影响 该框架可以通过更好地利用未标记数据来提高分割模型的训练效率。
排序理由 该集群描述了一篇详细介绍特定人工智能任务新框架的研究论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
Semi-supervised referring expression segmentation (SS-RES) aims to achieve precise pixel-level language grounding under limited annotation, yet suffers from limited supervision and unreliable pseudo-labels when exploiting unlabeled image-text pairs. In this work, we propose Learn…
arXiv:2605.28239v1 Announce Type: new Abstract: Semi-supervised referring expression segmentation (SS-RES) aims to achieve precise pixel-level language grounding under limited annotation, yet suffers from limited supervision and unreliable pseudo-labels when exploiting unlabeled …
Semi-supervised referring expression segmentation (SS-RES) aims to achieve precise pixel-level language grounding under limited annotation, yet suffers from limited supervision and unreliable pseudo-labels when exploiting unlabeled image-text pairs. In this work, we propose Learn…