Fugu-MT 論文翻訳(概要): Deeply Supervised Active Learning for Finger Bones Segmentation

論文の概要: Deeply Supervised Active Learning for Finger Bones Segmentation

arxiv url: http://arxiv.org/abs/2005.03225v1
Date: Thu, 7 May 2020 03:27:40 GMT
ステータス: 処理完了
システム内更新日: 2022-12-05 23:06:30.180972
Title: Deeply Supervised Active Learning for Finger Bones Segmentation
Title（参考訳）: 指骨セグメンテーションにおける深い教師付きアクティブラーニング
Authors: Ziyuan Zhao, Xiaoyan Yang, Bharadwaj Veeravalli, Zeng Zeng
Abstract要約: 本稿では,指骨分節化のための新しい教師付き能動学習手法を提案する。各ステップにおいて、深層監視機構は、隠れたレイヤの学習プロセスをガイドし、ラベル付けするサンプルを選択する。
参考スコア（独自算出の注目度）: 14.183243379659329
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Segmentation is a prerequisite yet challenging task for medical image analysis. In this paper, we introduce a novel deeply supervised active learning approach for finger bones segmentation. The proposed architecture is fine-tuned in an iterative and incremental learning manner. In each step, the deep supervision mechanism guides the learning process of hidden layers and selects samples to be labeled. Extensive experiments demonstrated that our method achieves competitive segmentation results using less labeled samples as compared with full annotation.
Abstract（参考訳）: セグメンテーションは、医療画像解析において必要不可欠な課題である。本稿では,指骨分節化のための新しい教師付き能動学習手法を提案する。提案するアーキテクチャは反復的かつ漸進的な学習方法で微調整される。各ステップでは、深い監視機構が隠れたレイヤの学習プロセスをガイドし、ラベル付けされるサンプルを選択する。その結果,全アノテーションと比較してラベルの少ないサンプルを用いて,競合セグメンテーションの結果が得られた。

関連論文リスト

Guidelines for Cerebrovascular Segmentation: Managing Imperfect Annotations in the context of Semi-Supervised Learning [3.231698506153459]
教師付き学習法は、十分な量のラベル付きデータを入力した場合に優れた性能を達成する。このようなラベルは一般的に、非常に時間がかかり、エラーが発生し、製造コストがかかる。半教師付き学習アプローチはラベル付きデータとラベルなしデータの両方を活用する。
論文参考訳（メタデータ） (2024-04-02T09:31:06Z)
Scribble-supervised Cell Segmentation Using Multiscale Contrastive Regularization [9.849498498869258]
Scribble2Label (S2L) は、一握りのスクリブルと自己教師付き学習を使用することで、完全なアノテーションなしで正確なセグメンテーション結果を生成することを示した。本研究では,S2Lに対して,新しいマルチスケールコントラスト正規化項を用いる。主なアイデアは、ニューラルネットワークの中間層から特徴を抽出して、さまざまなスケールの構造を効果的に分離できるようにすることである。
論文参考訳（メタデータ） (2023-06-25T06:00:33Z)
Unsupervised Tissue Segmentation via Deep Constrained Gaussian Network [13.331718119215436]
本稿では、エンドツーエンドの深層混合モデルと制約付き指標を統合することにより、教師なし学習パラダイムを提案する。パブリックデータセットと社内データセットの両方で検証することにより、提案した深い制約付きガウスネットワークは、大幅にパフォーマンスが向上する。
論文参考訳（メタデータ） (2022-08-04T22:25:25Z)
Flip Learning: Erase to Segment [65.84901344260277]
弱い教師付きセグメンテーション(WSS)は、時間と面倒な手作業のアノテーションを減らすのに役立ちます。ボックスアノテーションのみを必要とするFlip Learningという,斬新で汎用的なWSSフレームワークを提案する。提案手法は,完全教師付き学習と弱教師付き学習のギャップを狭める大きな可能性を示す。
論文参考訳（メタデータ） (2021-08-02T09:56:10Z)
Every Annotation Counts: Multi-label Deep Supervision for Medical Image Segmentation [85.0078917060652]
この障壁を克服する半弱教師付きセグメンテーションアルゴリズムを提案する。このアプローチは,深層指導と生徒・教師モデルの新しい定式化に基づいている。我々の新しいセグメンテーションのトレーニング体制は、完全にラベル付けされ、バウンディングボックスでマークされた画像、単にグローバルラベル、あるいは全くないイメージを柔軟に活用することで、高価なラベルの要件を94.22%削減することができる。
論文参考訳（メタデータ） (2021-04-27T14:51:19Z)
Uncertainty guided semi-supervised segmentation of retinal layers in OCT images [4.046207281399144]
セグメンテーションネットワークを訓練する学生・教師のアプローチに基づく,新しい不確実性誘導半教師学習を提案する。提案するフレームワークは,様々な画像モダリティにまたがるバイオメディカルイメージセグメンテーションに有効である。
論文参考訳（メタデータ） (2021-03-02T23:14:25Z)
Three Ways to Improve Semantic Segmentation with Self-Supervised Depth Estimation [90.87105131054419]
ラベルなし画像列からの自己教師付き単眼深度推定により強化された半教師付き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のフレームワークを提案する。提案されたモデルをCityscapesデータセット上で検証する。
論文参考訳（メタデータ） (2020-12-19T21:18:03Z)
Semi-supervised Active Learning for Instance Segmentation via Scoring Predictions [25.408505612498423]
インスタンスセグメンテーションのための新規かつ原則的な半教師付きアクティブ学習フレームワークを提案する。具体的には,クラス,バウンディングボックス,マスクの手がかりを明示的に評価するトリプレットスコア予測(tsp)という不確実性サンプリング戦略を提案する。医用画像データセットを用いた結果から,提案手法が有意義な方法で利用可能なデータから知識を具現化することを示す。
論文参考訳（メタデータ） (2020-12-09T02:36:52Z)
Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文参考訳（メタデータ） (2020-11-28T16:31:00Z)
A Teacher-Student Framework for Semi-supervised Medical Image Segmentation From Mixed Supervision [62.4773770041279]
そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
論文参考訳（メタデータ） (2020-10-23T07:58:20Z)
Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文参考訳（メタデータ） (2020-07-21T13:27:09Z)

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。