論文の概要: Extreme Consistency: Overcoming Annotation Scarcity and Domain Shifts
- arxiv url: http://arxiv.org/abs/2004.11966v1
- Date: Wed, 15 Apr 2020 15:32:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 03:06:02.315121
- Title: Extreme Consistency: Overcoming Annotation Scarcity and Domain Shifts
- Title（参考訳）: 極端な一貫性:アノテーション不足とドメインシフトを克服する
- Authors: Gaurav Fotedar, Nima Tajbakhsh, Shilpa Ananth, and Xiaowei Ding
- Abstract要約: 教師付き学習は医用画像解析に有効であることが証明された。
これは小さなラベル付きデータのみを利用することができる。
医療画像データセットでよく見られる大量のラベルのないデータを活用するのに失敗する。
- 参考スコア（独自算出の注目度）: 2.707399740070757
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Supervised learning has proved effective for medical image analysis. However,
it can utilize only the small labeled portion of data; it fails to leverage the
large amounts of unlabeled data that is often available in medical image
datasets. Supervised models are further handicapped by domain shifts, when the
labeled dataset, despite being large enough, fails to cover different protocols
or ethnicities. In this paper, we introduce \emph{extreme consistency}, which
overcomes the above limitations, by maximally leveraging unlabeled data from
the same or a different domain in a teacher-student semi-supervised paradigm.
Extreme consistency is the process of sending an extreme transformation of a
given image to the student network and then constraining its prediction to be
consistent with the teacher network's prediction for the untransformed image.
The extreme nature of our consistency loss distinguishes our method from
related works that yield suboptimal performance by exercising only mild
prediction consistency. Our method is 1) auto-didactic, as it requires no extra
expert annotations; 2) versatile, as it handles both domain shift and limited
annotation problems; 3) generic, as it is readily applicable to classification,
segmentation, and detection tasks; and 4) simple to implement, as it requires
no adversarial training. We evaluate our method for the tasks of lesion and
retinal vessel segmentation in skin and fundus images. Our experiments
demonstrate a significant performance gain over both modern supervised networks
and recent semi-supervised models. This performance is attributed to the strong
regularization enforced by extreme consistency, which enables the student
network to learn how to handle extreme variants of both labeled and unlabeled
images. This enhances the network's ability to tackle the inevitable same- and
cross-domain data variability during inference.
- Abstract（参考訳）: 教師付き学習は医用画像解析に有効であることが判明した。
しかし、それは小さなラベル付きデータのみを利用することができ、医療画像データセットで利用可能な大量のラベル付きデータを利用することができない。
ラベル付きデータセットが十分に大きいにもかかわらず、異なるプロトコルや民族をカバーすることができない場合、監視されたモデルはドメインシフトによってさらに障害を受ける。
本稿では,教師が指導する半教師のパラダイムにおいて,同じ領域や異なる領域のラベルなしデータを最大限に活用することにより,上記の制限を克服した「emph{extreme consistency}」を導入する。
極端整合性(Extreme consistency)とは、与えられたイメージの極端な変換を学生ネットワークに送信し、その予測を教師ネットワークの未変換画像に対する予測と一致させるプロセスである。
一貫性損失の極端な性質は, 軽度な予測一貫性のみを行使することにより, 準最適性能をもたらす関連作業と, 本手法を区別する。
我々の方法は
1) 追加の専門家アノテーションを必要としないため,オートディディクティクス。
2) ドメインシフトと限定的なアノテーション問題の両方を扱うため,汎用性
3) 分類,区分,検出タスクに容易に適用できるため,総称的に,及び
4) 敵対的なトレーニングを必要としないため、実装が簡単である。
皮膚および眼底画像における病変および網膜血管分画の課題について検討した。
我々の実験は、現代の教師付きネットワークと最近の半教師付きモデルの両方よりも大きな性能向上を示した。
この性能は、極端な一貫性によって強制される強い正規化に起因するため、学生ネットワークはラベル付き画像とラベルなし画像の両方の極端な変種を扱う方法を学ぶことができる。
これにより、推論中に避けられない同領域とクロスドメインのデータバリアビリティに取り組むネットワークの能力が向上する。
関連論文リスト
- Cross-head mutual Mean-Teaching for semi-supervised medical image
segmentation [6.738522094694818]
SSMIS(Semi-supervised Medical Image segmentation)は、限られたラベル付きデータと豊富なラベルなしデータを活用することで、大幅な進歩を目撃している。
既存のSOTA(State-of-the-art)手法は、ラベルなしデータのラベルを正確に予測する際の課題に直面する。
強弱データ拡張を組み込んだ新しいクロスヘッド相互学習ネットワーク(CMMT-Net)を提案する。
論文 参考訳（メタデータ） (2023-10-08T09:13:04Z) - An End-to-End Framework For Universal Lesion Detection With Missing
Annotations [24.902835211573628]
そこで本研究では,検出器を同時に訓練しながら,ラベルのない病変をマイニングするための新しいエンドツーエンドフレームワークを提案する。
本研究の枠組みは,高信頼度予測と,学生モデル学習のための部分的にラベル付けされた基礎的真理が組み合わさっている。
論文 参考訳（メタデータ） (2023-03-27T09:16:10Z) - Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。
まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。
第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
論文 参考訳（メタデータ） (2022-09-27T15:50:31Z) - MIPR:Automatic Annotation of Medical Images with Pixel Rearrangement [7.39560318487728]
医用画像画素再構成(MIPR)という,別の角度からの注釈付きデータの欠如を解決する新しい手法を提案する。
MIPRは画像編集と擬似ラベル技術を組み合わせてラベル付きデータを取得する。
ISIC18での実験では,本手法による分節処理が医師のアノテーションと同等かそれ以上の効果があることが示されている。
論文 参考訳（メタデータ） (2022-04-22T05:54:14Z) - Adversarial Dual-Student with Differentiable Spatial Warping for
Semi-Supervised Semantic Segmentation [70.2166826794421]
本研究では、教師なしデータ拡張を行うために、微分可能な幾何ワープを提案する。
また,平均教師数を改善するために,新しい対角的二重学習フレームワークを提案する。
我々のソリューションは、両方のデータセットで得られるパフォーマンスと最先端の結果を大幅に改善します。
論文 参考訳（メタデータ） (2022-03-05T17:36:17Z) - Semi-weakly Supervised Contrastive Representation Learning for Retinal
Fundus Images [0.2538209532048867]
本稿では,半弱化アノテーションを用いた表現学習のための,半弱化教師付きコントラスト学習フレームワークを提案する。
SWCLの移動学習性能を7つの公立網膜眼底データセットで実証的に検証した。
論文 参考訳（メタデータ） (2021-08-04T15:50:09Z) - 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) - Delving into Inter-Image Invariance for Unsupervised Visual
Representations [108.33534231219464]
画像間不変学習の役割をよりよく理解するための研究を提案する。
オンラインラベルはオフラインラベルよりも早く収束する。
半硬な負のサンプルは、硬い負のサンプルよりも信頼性が高く、偏りがない。
論文 参考訳（メタデータ） (2020-08-26T17:44:23Z) - Graph Neural Networks for UnsupervisedDomain Adaptation of
Histopathological ImageAnalytics [22.04114134677181]
組織像解析のための教師なし領域適応のための新しい手法を提案する。
特徴空間に画像を埋め込むバックボーンと、ラベルで画像の監視信号をプロパゲートするグラフニューラルネットワーク層に基づいている。
実験では、4つの公開データセット上での最先端のパフォーマンスを評価する。
論文 参考訳（メタデータ） (2020-08-21T04:53:44Z) - ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised
Medical Image Segmentation [99.90263375737362]
教師-学生最適化の非同期版であるATSOを提案する。
ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。
医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
論文 参考訳（メタデータ） (2020-06-24T04:05:12Z) - Improving Semantic Segmentation via Self-Training [75.07114899941095]
半教師付きアプローチ,特に自己学習パラダイムを用いて,最先端の成果を得ることができることを示す。
まず、ラベル付きデータに基づいて教師モデルを訓練し、次にラベルなしデータの大規模なセット上で擬似ラベルを生成する。
私たちの堅牢なトレーニングフレームワークは、人名と擬似ラベルを共同で消化し、Cityscapes、CamVid、KITTIデータセット上で最高のパフォーマンスを達成することができます。
論文 参考訳（メタデータ） (2020-04-30T17:09:17Z)
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。