論文の概要: DenoiSeg: Joint Denoising and Segmentation

• arxiv url: http://arxiv.org/abs/2005.02987v2
• Date: Wed, 10 Jun 2020 21:58:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 05:05:47.976707
• Title: DenoiSeg: Joint Denoising and Segmentation
• Title（参考訳）: DenoiSeg: 統合Denoisingとセグメンテーション
• Authors: Tim-Oliver Buchholz, Mangal Prakash, Alexander Krull, Florian Jug
• Abstract要約: 我々は,いくつかの注釈付き基底真理セグメンテーションでエンドツーエンドに学習できる新しい手法であるDenoySegを提案する。 我々は、ノイズの多い画像だけで訓練できる自己教師付き遮音方式であるNoss2Voidを拡張して、密度の高い3クラスセグメンテーションを予測する。
• 参考スコア（独自算出の注目度）: 75.91760529986958
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Microscopy image analysis often requires the segmentation of objects, but training data for this task is typically scarce and hard to obtain. Here we propose DenoiSeg, a new method that can be trained end-to-end on only a few annotated ground truth segmentations. We achieve this by extending Noise2Void, a self-supervised denoising scheme that can be trained on noisy images alone, to also predict dense 3-class segmentations. The reason for the success of our method is that segmentation can profit from denoising, especially when performed jointly within the same network. The network becomes a denoising expert by seeing all available raw data, while co-learning to segment, even if only a few segmentation labels are available. This hypothesis is additionally fueled by our observation that the best segmentation results on high quality (very low noise) raw data are obtained when moderate amounts of synthetic noise are added. This renders the denoising-task non-trivial and unleashes the desired co-learning effect. We believe that DenoiSeg offers a viable way to circumvent the tremendous hunger for high quality training data and effectively enables few-shot learning of dense segmentations.
• Abstract（参考訳）: 顕微鏡画像解析は、しばしばオブジェクトのセグメンテーションを必要とするが、このタスクのトレーニングデータは通常、乏しく、取得が困難である。 ここでは、いくつかの注釈付き基底真理セグメンテーションでエンドツーエンドに訓練できる新しい方法であるDenoySegを提案する。 我々は、ノイズの多い画像だけで訓練できる自己教師付き遮音方式であるNoss2Voidを拡張して、密度の高い3クラスセグメンテーションを予測する。 提案手法が成功した理由は,特に同一ネットワーク内で共同で行う場合,セグメンテーションがデノナイズから利益を得ることができるためである。 ネットワークは、利用可能なすべての生データを見て、ほんの数個のセグメンテーションラベルが利用可能であっても、セグメンテーションにコラーニングしながら、注目のエキスパートになる。 この仮説は, 適度な合成ノイズを付加した場合に, 高品質(非常に低騒音)の生データに対する最高のセグメンテーション結果が得られるという観察によってさらに促進される。 これは分別処理を非自明なものにし、望ましい共学習効果を解き放つ。 我々はDenoiSegが、高品質なトレーニングデータに対する巨大な飢餓を回避し、高密度なセグメンテーションを効果的に少なからぬ学習を可能にする有効な方法を提供すると考えている。

関連論文リスト

• UnSeg: One Universal Unlearnable Example Generator is Enough against All Image Segmentation [64.01742988773745]
  未承認のプライベートデータ上での大規模なイメージセグメンテーションモデルのトレーニングに関して、プライバシーに関する懸念が高まっている。 我々は、学習不可能な例の概念を利用して、学習不可能なノイズを原画像に生成し、付加することにより、モデルトレーニングに使用不能な画像を作成する。 6つのメインストリームイメージセグメンテーションタスク、10つの広く使われているデータセット、7つの異なるネットワークアーキテクチャでUnSegの有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2024-10-13T16:34:46Z)
• Latent Noise Segmentation: How Neural Noise Leads to the Emergence of Segmentation and Grouping [0.24578723416255752]
  人間は知覚的なグルーピングを使用して、監督なしに画像のセグメント化を積極的に行うことができる。 教師なしの知覚的グループ化を解くための反直感的計算手法を提案する。 現実的な仮定の下では、ニューラルノイズは互いに物体を分離するのに有効であることを示す。
  論文  参考訳（メタデータ） (2023-09-28T15:22:02Z)
• Unsupervised Segmentation of Fetal Brain MRI using Deep Learning Cascaded Registration [2.494736313545503]
  従来の深層学習に基づく自動セグメンテーションは、グランドトラストラベルによる広範なトレーニングデータを必要とする。 ラベル付きデータに頼らずに複数の組織を正確にセグメンテーションするマルチアトラスセグメンテーションに基づく新しい手法を提案する。 提案手法では,3次元画像登録のためのカスケード深層学習ネットワークを用いて,移動画像への小さなインクリメンタルな変形を計算し,それを固定画像と正確に整合させる。
  論文  参考訳（メタデータ） (2023-07-07T13:17:12Z)
• Learning Confident Classifiers in the Presence of Label Noise [5.829762367794509]
  本稿では,ノイズ観測のための確率論的モデルを提案し,信頼性の高い分類とセグメンテーションモデルの構築を可能にする。 実験により,本アルゴリズムは,検討された分類問題と分割問題に対して,最先端の解よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-02T04:27:25Z)
• A Benchmark of Long-tailed Instance Segmentation with Noisy Labels [14.977028531774945]
  本稿では,ラベルノイズを含む長い尾を持つデータセットのインスタンスセグメンテーションタスクについて考察する。 本稿では,ラベルノイズを含む大語彙長尾データセットである新しいデータセットを提案する。 その結果、トレーニングデータセットのノイズは希少なカテゴリーの学習においてモデルを阻害し、全体的な性能を低下させることが示された。
  論文  参考訳（メタデータ） (2022-11-24T06:34:29Z)
• Identifying Hard Noise in Long-Tailed Sample Distribution [76.16113794808001]
  NLT(Noisy Long-Tailed Classification)を紹介する。 ほとんどのノイズ除去法は、ハードノイズを特定するのに失敗する。 我々はH2E(Hard-to-Easy)と呼ばれる反復的な雑音学習フレームワークを設計する。
  論文  参考訳（メタデータ） (2022-07-27T09:03:03Z)
• Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
  本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。 事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。 識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
  論文  参考訳（メタデータ） (2022-07-19T14:35:42Z)
• IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
  本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。 本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。 実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
  論文  参考訳（メタデータ） (2021-11-29T07:22:53Z)
• Synergy Between Semantic Segmentation and Image Denoising via Alternate Boosting [102.19116213923614]
  ノイズ除去とセグメンテーションを交互に行うためのブーストネットワークを提案する。 我々は,ノイズによるセグメンテーション精度の低下に対処するだけでなく,画素別意味情報によってデノージング能力が向上することを示す。 実験の結果,デノイド画像の品質が大幅に向上し,セグメンテーション精度がクリーン画像に近いことを示した。
  論文  参考訳（メタデータ） (2021-02-24T06:48:45Z)

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。