論文の概要: Synthesize then Compare: Detecting Failures and Anomalies for Semantic
Segmentation
- arxiv url: http://arxiv.org/abs/2003.08440v2
- Date: Tue, 8 Sep 2020 02:42:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 13:00:07.824412
- Title: Synthesize then Compare: Detecting Failures and Anomalies for Semantic
Segmentation
- Title(参考訳): セマンティックセグメンテーションにおける障害と異常の検出
- Authors: Yingda Xia, Yi Zhang, Fengze Liu, Wei Shen, Alan Yuille
- Abstract要約: 本稿では,2つのモジュールから構成される統合フレームワークを提案する。
3つの挑戦的なデータセットでフレームワークを検証し、大きなマージンで最先端を改善する。
- 参考スコア(独自算出の注目度): 14.607187083168407
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ability to detect failures and anomalies are fundamental requirements for
building reliable systems for computer vision applications, especially
safety-critical applications of semantic segmentation, such as autonomous
driving and medical image analysis. In this paper, we systematically study
failure and anomaly detection for semantic segmentation and propose a unified
framework, consisting of two modules, to address these two related problems.
The first module is an image synthesis module, which generates a synthesized
image from a segmentation layout map, and the second is a comparison module,
which computes the difference between the synthesized image and the input
image. We validate our framework on three challenging datasets and improve the
state-of-the-arts by large margins, \emph{i.e.}, 6% AUPR-Error on Cityscapes,
7% Pearson correlation on pancreatic tumor segmentation in MSD and 20% AUPR on
StreetHazards anomaly segmentation.
- Abstract(参考訳): 故障や異常を検出する能力は、コンピュータビジョンアプリケーション、特に自律運転や医用画像解析のようなセマンティックセグメンテーションの安全クリティカルな応用のための信頼性の高いシステムを構築するための基本的な要件である。
本稿では,セマンティクスセグメンテーションにおける障害と異常検出を体系的に研究し,これら2つのモジュールからなる統一フレームワークを提案する。
第1のモジュールは、セグメンテーションレイアウトマップから合成画像を生成する画像合成モジュールであり、第2のモジュールは、合成画像と入力画像との差を計算する比較モジュールである。
我々は,3つの挑戦的データセットの枠組みを検証し,大きなマージンによる最先端技術の改善,都市景観におけるAUPR-Errorの6%,MSDにおける膵腫瘍のセグメンテーションに対するPearson相関,StreetHazardsにおけるAUPRの20%などを検討した。
関連論文リスト
- Advancing Medical Image Segmentation: Morphology-Driven Learning with Diffusion Transformer [4.672688418357066]
本稿では,雑音の存在下での頑健なセグメンテーションのためのトランスフォーマー拡散(DTS)モデルを提案する。
画像の形態的表現を解析する本モデルでは, 種々の医用画像モダリティにおいて, 従来のモデルよりも良好な結果が得られた。
論文 参考訳(メタデータ) (2024-08-01T07:35:54Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳(メタデータ) (2023-12-26T12:56:31Z) - Few Shot Part Segmentation Reveals Compositional Logic for Industrial Anomaly Detection [11.996050578189056]
本稿では,論理異常(LA)検出のための新しいコンポーネントセグメンテーションモデルを提案する。
ラベル付き画像間の一貫したセグメンテーションを確保するために,エントロピーロスと合わせてヒストグラムマッチングロスを用いる。
LAを効果的に検出するために,異なるメモリバンクからの異常スコアを推論で標準化する適応スケーリング手法を提案する。
論文 参考訳(メタデータ) (2023-12-21T12:14:31Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳(メタデータ) (2023-01-12T08:19:46Z) - Pathology Synthesis of 3D-Consistent Cardiac MR Images using 2D VAEs and
GANs [0.5039813366558306]
本稿では,教師付きディープラーニング(DL)トレーニングの適用のためのラベル付きデータを生成する手法を提案する。
画像合成はラベル変形とラベルから画像への変換からなる。
心臓MRI画像のデータベースを多様化・拡張する手法として,このようなアプローチが有効であることを示す。
論文 参考訳(メタデータ) (2022-09-09T10:17:49Z) - Contrastive Image Synthesis and Self-supervised Feature Adaptation for
Cross-Modality Biomedical Image Segmentation [8.772764547425291]
CISFAは、画像ドメインの翻訳と、クロスモーダルなバイオメディカルなイメージセグメンテーションのための教師なしの機能適応に基づいている。
我々は,片側生成モデルを用いて,入力画像のサンプルパッチと対応する合成画像との重み付けパッチワイドコントラスト損失を付加する。
腹腔・全心に対するCTおよびMRI画像を含むセグメンテーションタスクについて検討した。
論文 参考訳(メタデータ) (2022-07-27T01:49:26Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳(メタデータ) (2021-07-07T19:06:34Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳(メタデータ) (2021-07-06T14:50:03Z) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳(メタデータ) (2020-08-19T06:02:46Z) - Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
病理組織像における腺分節に対するPRS2モデルを提案する。
このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。
我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
論文 参考訳(メタデータ) (2020-08-06T15:02:38Z) - JSSR: A Joint Synthesis, Segmentation, and Registration System for 3D
Multi-Modal Image Alignment of Large-scale Pathological CT Scans [27.180136688977512]
本稿では,エンドツーエンドの3D畳み込みニューラルネットワークに基づく新しいマルチタスク学習システムJSSRを提案する。
システムは、教師なしの方法で異なるタスク間の暗黙の制約を満たすように最適化されている。
従来型のマルチモーダル登録法よりも一貫して優れています。
論文 参考訳(メタデータ) (2020-05-25T16:30:02Z)
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。