論文の概要: Learning to segment images with classification labels
- arxiv url: http://arxiv.org/abs/1912.12533v2
- Date: Sun, 29 Nov 2020 19:56:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-17 13:04:43.714123
- Title: Learning to segment images with classification labels
- Title（参考訳）: 分類ラベルを用いた画像分割学習
- Authors: Ozan Ciga, Anne L. Martel
- Abstract要約: 本稿では,画像レベルのラベルを用いることで,セグメンテーションレベルの真実の要求を緩和できるアーキテクチャを提案する。
実験では,クラス毎に1つのセグメンテーションレベルのアノテーションしか使用せず,完全に注釈付けされたデータセットに匹敵する性能が得られることを示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Two of the most common tasks in medical imaging are classification and
segmentation. Either task requires labeled data annotated by experts, which is
scarce and expensive to collect. Annotating data for segmentation is generally
considered to be more laborious as the annotator has to draw around the
boundaries of regions of interest, as opposed to assigning image patches a
class label. Furthermore, in tasks such as breast cancer histopathology, any
realistic clinical application often includes working with whole slide images,
whereas most publicly available training data are in the form of image patches,
which are given a class label. We propose an architecture that can alleviate
the requirements for segmentation-level ground truth by making use of
image-level labels to reduce the amount of time spent on data curation. In
addition, this architecture can help unlock the potential of previously
acquired image-level datasets on segmentation tasks by annotating a small
number of regions of interest. In our experiments, we show using only one
segmentation-level annotation per class, we can achieve performance comparable
to a fully annotated dataset.
- Abstract（参考訳）: 医用画像における最も一般的な課題は分類と分割である。
いずれのタスクも、専門家が注釈付けしたラベル付きデータを必要とします。
セグメンテーションのためのアノテータは一般的に、クラスラベルにイメージパッチを割り当てるのではなく、関心のある領域の境界を引き回さなければならないため、より手間がかかると考えられている。
さらに、乳がんの病理組織学のようなタスクでは、実際の臨床応用にはスライド画像全体を扱うことがしばしば含まれるが、最も一般に公開されているトレーニングデータは、クラスラベルが与えられるイメージパッチの形式である。
本稿では,データキュレーションに要する時間を削減するために,画像レベルラベルを用いることで,セグメンテーションレベル基底真理の要件を緩和できるアーキテクチャを提案する。
さらに、このアーキテクチャは、少数の関心領域に注釈を付けて、セグメンテーションタスクで予め取得したイメージレベルのデータセットの可能性を解き放つのに役立つ。
実験では,クラス毎に1つのセグメンテーションレベルのアノテーションしか使用せず,完全に注釈付けされたデータセットに匹敵する性能が得られることを示した。
関連論文リスト
- Auxiliary Tasks Enhanced Dual-affinity Learning for Weakly Supervised
Semantic Segmentation [79.05949524349005]
AuxSegNet+は、サリエンシマップから豊富な情報を探索する弱教師付き補助学習フレームワークである。
また,サリエンシとセグメンテーションの特徴マップから画素レベルの親和性を学習するためのクロスタスク親和性学習機構を提案する。
論文 参考訳（メタデータ） (2024-03-02T10:03:21Z) - Learning Semantic Segmentation with Query Points Supervision on Aerial Images [57.09251327650334]
セマンティックセグメンテーションアルゴリズムを学習するための弱教師付き学習アルゴリズムを提案する。
提案手法は正確なセマンティックセグメンテーションを行い,手作業のアノテーションに要するコストと時間を大幅に削減することで効率を向上する。
論文 参考訳（メタデータ） (2023-09-11T14:32:04Z) - Open-world Semantic Segmentation via Contrasting and Clustering
Vision-Language Embedding [95.78002228538841]
本研究では,様々なオープンワールドカテゴリのセマンティックオブジェクトを高密度アノテーションを使わずにセマンティックオブジェクトのセマンティックオブジェクトのセマンティック化を学習するための,新しいオープンワールドセマンティックセマンティックセマンティックセマンティクスパイプラインを提案する。
提案手法は任意のカテゴリのオブジェクトを直接分割し、3つのベンチマークデータセット上でデータラベリングを必要とするゼロショットセグメンテーション法より優れている。
論文 参考訳（メタデータ） (2022-07-18T09:20:04Z) - Semantic Segmentation In-the-Wild Without Seeing Any Segmentation
Examples [34.97652735163338]
本稿では,各オブジェクトに対するセマンティックセグメンテーションマスク作成のための新しいアプローチを提案する。
本手法は,画像に含まれるクラスカテゴリのイメージレベルラベルを入力として扱う。
このステージの出力は、教師付きメソッドが必要とする手動のピクセルレベルラベルの代わりに、ピクセルレベルの擬似ラベルを提供する。
論文 参考訳（メタデータ） (2021-12-06T17:32:38Z) - Open-World Entity Segmentation [70.41548013910402]
我々は、意味圏ラベルを考慮せずに、画像内のすべての視覚的エンティティをセグメント化することを目的として、Entity(ES)と呼ばれる新しいイメージセグメンテーションタスクを導入する。
意味的に意味のある全てのセグメントは、等しく分類なしのエンティティとして扱われる。
1) 複数のデータセットをマージしてラベルの衝突を解決することなく大規模なトレーニングセットを形成すること、2) 1つのデータセットでトレーニングされたモデルが、目に見えないドメインを持つ他のデータセットに対して、例外的にうまく一般化することができること、である。
論文 参考訳（メタデータ） (2021-07-29T17:59:05Z) - Hierarchical Semantic Segmentation using Psychometric Learning [17.417302703539367]
我々は,心理測定テストに基づいて,専門家からセグメンテーションアノテーションを収集する手法を開発した。
本手法は, 心理測定試験, アクティブクエリ選択, クエリ強化, ディープメトリック学習モデルから構成される。
本稿では, 合成画像, 空中画像, 組織像について評価し, 提案手法の有用性を示す。
論文 参考訳（メタデータ） (2021-07-07T13:38:33Z) - Semantic Segmentation with Generative Models: Semi-Supervised Learning
and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。
我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。
ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文 参考訳（メタデータ） (2021-04-12T21:41:25Z) - Grafit: Learning fine-grained image representations with coarse labels [114.17782143848315]
本稿では,学習ラベルの提供するものよりも細かな表現を学習する問題に対処する。
粗いラベルと下層の細粒度潜在空間を併用することにより、カテゴリレベルの検索手法の精度を大幅に向上させる。
論文 参考訳（メタデータ） (2020-11-25T19:06:26Z) - Manifold-driven Attention Maps for Weakly Supervised Segmentation [9.289524646688244]
本稿では,視覚的に有意な領域を強化するために,多様体駆動型注意ネットワークを提案する。
提案手法は,余分な計算を必要とせずに,推論中により優れた注意マップを生成できる。
論文 参考訳（メタデータ） (2020-04-07T00:03:28Z) - Realizing Pixel-Level Semantic Learning in Complex Driving Scenes based
on Only One Annotated Pixel per Class [17.481116352112682]
本稿では,複雑な運転シーン下でのセマンティックセマンティックセマンティクスタスクを提案する。
3段階のプロセスは擬似ラベル生成のために構築され、各カテゴリに最適な特徴表現を徐々に実装する。
Cityscapesデータセットの実験は、提案手法が弱教師付きセマンティックセマンティックセマンティクスタスクを解決するための実現可能な方法であることを示した。
論文 参考訳（メタデータ） (2020-03-10T12:57:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。