論文の概要: Bounding boxes for weakly supervised segmentation: Global constraints
get close to full supervision
- arxiv url: http://arxiv.org/abs/2004.06816v1
- Date: Tue, 14 Apr 2020 22:11:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 09:04:41.760803
- Title: Bounding boxes for weakly supervised segmentation: Global constraints
get close to full supervision
- Title（参考訳）: 弱教師付きセグメンテーションのための境界ボックス:グローバルな制約は完全な監督に近づく
- Authors: Hoel Kervadec, Jose Dolz, Shanshan Wang, Eric Granger, Ismail Ben Ayed
- Abstract要約: ボックスアノテーションから導かれるいくつかの大域的制約に基づいて,弱教師付き学習セグメンテーションを提案する。
特に、ネットワーク出力に制約を課すことにより、ディープラーニング設定の前に古典的な厳密さを活用する。
我々は,グローバルな背景空き制約に先立って,厳密さを取り入れ,境界ボックス外の情報によるトレーニングを指導する。
- 参考スコア（独自算出の注目度）: 31.59087323604063
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel weakly supervised learning segmentation based on several
global constraints derived from box annotations. Particularly, we leverage a
classical tightness prior to a deep learning setting via imposing a set of
constraints on the network outputs. Such a powerful topological prior prevents
solutions from excessive shrinking by enforcing any horizontal or vertical line
within the bounding box to contain, at least, one pixel of the foreground
region. Furthermore, we integrate our deep tightness prior with a global
background emptiness constraint, guiding training with information outside the
bounding box. We demonstrate experimentally that such a global constraint is
much more powerful than standard cross-entropy for the background class. Our
optimization problem is challenging as it takes the form of a large set of
inequality constraints on the outputs of deep networks. We solve it with
sequence of unconstrained losses based on a recent powerful extension of the
log-barrier method, which is well-known in the context of interior-point
methods. This accommodates standard stochastic gradient descent (SGD) for
training deep networks, while avoiding computationally expensive and unstable
Lagrangian dual steps and projections. Extensive experiments over two different
public data sets and applications (prostate and brain lesions) demonstrate that
the synergy between our global tightness and emptiness priors yield very
competitive performances, approaching full supervision and outperforming
significantly DeepCut. Furthermore, our approach removes the need for
computationally expensive proposal generation. Our code is shared anonymously.
- Abstract（参考訳）: 本稿では,ボックスアノテーションから導かれるいくつかのグローバル制約に基づく,弱い教師付き学習セグメンテーションを提案する。
特に、ネットワーク出力に制約のセットを課すことにより、ディープラーニング設定に先立って古典的な厳密さを活用する。
このような強力なトポロジカルな事前処理は、境界ボックス内の水平線または垂直線を、少なくとも前景領域の1ピクセルを含むように強制することにより、過剰な縮小を防止する。
さらに,グローバルな背景空き制約に先立って,厳密さを取り入れ,境界ボックス外の情報によるトレーニングを指導する。
このような大域的制約は、バックグラウンドクラスにおける標準的なクロスエントロピーよりもはるかに強力であることを示す。
我々の最適化問題は、ディープネットワークの出力に対する大きな不等式制約の形式を取るため、困難である。
本稿では,最近,内部点法でよく知られたlog-barrier法の強力な拡張に基づき,制約のない損失列を用いて解く。
これはディープネットワークのトレーニングに標準確率勾配降下(SGD)を許容し、計算コストが高く不安定なラグランジアン二重ステップと射影を避ける。
2つの異なる公開データセットとアプリケーション(前立腺と脳の病変)に対する大規模な実験は、我々のグローバルな厳密さと空虚さとの相乗効果が、非常に競争力のあるパフォーマンスをもたらし、完全な監督に近づき、より優れたDeepCutに近づいたことを示している。
さらに,計算コストの高い提案生成の必要性を解消した。
私たちのコードは匿名で共有されます。
関連論文リスト
- Learning to Explore with Lagrangians for Bandits under Unknown Linear Constraints [8.784438985280094]
線形制約が未知の多腕バンディットにおける純粋探索として問題を研究する。
まず、制約下での純粋な探索のために、サンプルの複雑さを低く抑えたラグランジアン緩和を提案する。
第二に、ラグランジアンの下界と凸の性質を利用して、トラック・アンド・ストップとガミファイド・エクスプローラー(LATSとLAGEX)の2つの計算効率の良い拡張を提案する。
論文 参考訳（メタデータ） (2024-10-24T15:26:14Z) - Hard-Constrained Neural Networks with Universal Approximation Guarantees [5.3663546125491735]
HardNetは、モデルキャパシティを犠牲にすることなく、本質的に厳しい制約を満たすニューラルネットワークを構築するためのフレームワークである。
ニューラルネットワークの普遍近似能力はHardNetが保持していることを示す。
論文 参考訳（メタデータ） (2024-10-14T17:59:24Z) - Neighbor-Aware Calibration of Segmentation Networks with Penalty-Based
Constraints [19.897181782914437]
本稿では,ロジット値の等式制約に基づく基本的かつ単純な解を提案し,強制制約と罰則の重みを明示的に制御する。
我々のアプローチは、広範囲のディープセグメンテーションネットワークのトレーニングに利用できる。
論文 参考訳（メタデータ） (2024-01-25T19:46:57Z) - Robust Stochastically-Descending Unrolled Networks [85.6993263983062]
Deep Unrolling(ディープ・アンローリング)は、トレーニング可能なニューラルネットワークの層に切り捨てられた反復アルゴリズムをアンロールする、新たな学習最適化手法である。
アンロールネットワークの収束保証と一般化性は、いまだにオープンな理論上の問題であることを示す。
提案した制約の下で訓練されたアンロールアーキテクチャを2つの異なるアプリケーションで数値的に評価する。
論文 参考訳（メタデータ） (2023-12-25T18:51:23Z) - EtC: Temporal Boundary Expand then Clarify for Weakly Supervised Video
Grounding with Multimodal Large Language Model [63.93372634950661]
不完全な境界を拡大する上で、より価値のある情報を導入しながら、元の時間的内容の整合性を維持する新しい視点を提案する。
ビデオの連続性、すなわち隣接するフレーム間の視覚的類似性により、我々は、初期擬似境界内で各フレームにアノテートするために強力なマルチモーダル大言語モデル(MLLM)を使用する。
論文 参考訳（メタデータ） (2023-12-05T04:15:56Z) - Neural Fields with Hard Constraints of Arbitrary Differential Order [61.49418682745144]
我々は、ニューラルネットワークに厳しい制約を課すための一連のアプローチを開発する。
制約は、ニューラルネットワークとそのデリバティブに適用される線形作用素として指定することができる。
私たちのアプローチは、広範囲の現実世界のアプリケーションで実証されています。
論文 参考訳（メタデータ） (2023-06-15T08:33:52Z) - On Kernelized Multi-Armed Bandits with Constraints [16.102401271318012]
一般に未知の報酬関数と一般未知の制約関数を併用した帯域幅問題について検討する。
本稿では,アルゴリズムの性能解析のための一般的なフレームワークを提案する。
本稿では,数値実験により提案アルゴリズムの優れた性能を示す。
論文 参考訳（メタデータ） (2022-03-29T14:02:03Z) - MultiplexNet: Towards Fully Satisfied Logical Constraints in Neural
Networks [21.150810790468608]
深層ニューラルネットワークのトレーニングに専門家の知識を取り入れる新しい手法を提案する。
多くのアプローチはドメインの制約を直接ネットワークアーキテクチャにエンコードし、非自明またはドメイン固有のエンジニアリングを必要とします。
我々のアプローチはMultiformxNetと呼ばれ、ドメイン知識を解離正規形(DNF)の論理式として表現する。
論文 参考訳（メタデータ） (2021-11-02T12:39:21Z) - Generalization bound of globally optimal non-convex neural network
training: Transportation map estimation by infinite dimensional Langevin
dynamics [50.83356836818667]
本稿では,ディープラーニングの最適化を一般化誤差と関連づけて解析する理論フレームワークを提案する。
ニューラルネットワーク最適化分析のための平均場理論やニューラル・タンジェント・カーネル理論のような既存のフレームワークは、そのグローバル収束を示すために、ネットワークの無限幅の限界を取る必要がある。
論文 参考訳（メタデータ） (2020-07-11T18:19:50Z) - An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
データから制約をマイニングするための一般的なフレームワークを提案する。
特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。
提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
論文 参考訳（メタデータ） (2020-06-18T20:09:53Z) - Constrained episodic reinforcement learning in concave-convex and
knapsack settings [81.08055425644037]
コンケーブ報酬と凸制約のある設定に対して、強力な理論的保証を持つモジュラー解析を提供する。
実験により,提案アルゴリズムは既存の制約付きエピソード環境において,これらの手法を著しく上回ることを示した。
論文 参考訳（メタデータ） (2020-06-09T05:02:44Z)
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。