論文の概要: Scribble2Label: Scribble-Supervised Cell Segmentation via
Self-Generating Pseudo-Labels with Consistency
- arxiv url: http://arxiv.org/abs/2006.12890v2
- Date: Wed, 24 Jun 2020 12:45:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 23:19:49.477952
- Title: Scribble2Label: Scribble-Supervised Cell Segmentation via
Self-Generating Pseudo-Labels with Consistency
- Title（参考訳）: scribble2label:一貫性を有する自己発生型擬似ラベルによるscribblesupervised cell segmentation
- Authors: Hyeonsoo Lee, Won-Ki Jeong
- Abstract要約: 我々はScribble2Labelを紹介した。
その中核となる考え方は、擬似ラベルとラベルフィルタリングを組み合わせて、弱い監督から信頼できるラベルを生成することである。
提案手法は,様々なレベルのスクリブルディテールに対して頑健に動作することを示し,実使用例ではわずかなスクリブルアノテーションしか必要としないことを確認した。
- 参考スコア（独自算出の注目度）: 8.590026259176806
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Segmentation is a fundamental process in microscopic cell image analysis.
With the advent of recent advances in deep learning, more accurate and
high-throughput cell segmentation has become feasible. However, most existing
deep learning-based cell segmentation algorithms require fully annotated
ground-truth cell labels, which are time-consuming and labor-intensive to
generate. In this paper, we introduce Scribble2Label, a novel weakly-supervised
cell segmentation framework that exploits only a handful of scribble
annotations without full segmentation labels. The core idea is to combine
pseudo-labeling and label filtering to generate reliable labels from weak
supervision. For this, we leverage the consistency of predictions by
iteratively averaging the predictions to improve pseudo labels. We demonstrate
the performance of Scribble2Label by comparing it to several state-of-the-art
cell segmentation methods with various cell image modalities, including
bright-field, fluorescence, and electron microscopy. We also show that our
method performs robustly across different levels of scribble details, which
confirms that only a few scribble annotations are required in real-use cases.
- Abstract（参考訳）: セグメンテーションは微視的細胞画像解析の基本的なプロセスである。
近年のディープラーニングの進歩により、より正確で高スループットの細胞セグメンテーションが実現可能になった。
しかし、既存のディープラーニングベースのセルセグメンテーションアルゴリズムの多くは、完全な注釈付き接地型セルラベルを必要とする。
本稿では,Scribble2Labelについて紹介する。Scribble2Labelは,スクリブルアノテーションをフルセグメンテーションラベルなしで活用する,弱教師付きセルセグメンテーションフレームワークである。
基本的な考え方は、疑似ラベルとラベルフィルタリングを組み合わせて、弱い監督から信頼できるラベルを生成することだ。
このために,予測を反復平均化することで予測の一貫性を活用し,擬似ラベルを改善する。
我々は,Scribble2Labelの性能を,光電場,蛍光,電子顕微鏡など,様々なセル画像を用いた最先端セル分割法と比較した。
また,本手法は様々なレベルのスクリブル細部にわたって頑健に動作し,実使用例ではわずかなスクリブルアノテーションしか必要としないことを確認した。
関連論文リスト
- Scribble Hides Class: Promoting Scribble-Based Weakly-Supervised
Semantic Segmentation with Its Class Label [16.745019028033518]
画像レベルのクラスから情報を得たスクリブルアノテーションと擬似ラベルと、監督のためのグローバルセマンティクスの両方を利用するクラス駆動型スクリブルプロモーションネットワークを提案する。
スクリブルアノテーションの異なる性質を持つScribbleSupデータセットの実験は、従来の手法よりも優れており、本手法の優位性と堅牢性を示している。
論文 参考訳（メタデータ） (2024-02-27T14:51:56Z) - Distilling Self-Supervised Vision Transformers for Weakly-Supervised
Few-Shot Classification & Segmentation [58.03255076119459]
視覚変換器(ViT)を利用した弱教師付き小ショット画像分類とセグメンテーションの課題に対処する。
提案手法は,自己監督型ViTからトークン表現を抽出し,その相関関係を利用して分類とセグメンテーションの予測を行う。
Pascal-5iとCOCO-20iの実験は、様々な監視設定において大きなパフォーマンス向上を示した。
論文 参考訳（メタデータ） (2023-07-07T06:16:43Z) - Learning with minimal effort: leveraging in silico labeling for cell and
nucleus segmentation [0.6465251961564605]
In Silico Labeling (ISL) をセグメンテーションタスクの事前学習手法として用いることを提案する。
いくつかのトレーニングセットサイズでセグメンテーション性能を比較することで、このようなスキームは必要なアノテーションの数を大幅に削減できることを示す。
論文 参考訳（メタデータ） (2023-01-10T11:35:14Z) - LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。
本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。
提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
論文 参考訳（メタデータ） (2022-10-14T19:13:36Z) - Language-driven Semantic Segmentation [88.21498323896475]
本稿では,言語駆動型セマンティックイメージセグメンテーションの新しいモデルLSegを提案する。
テキストエンコーダを用いて記述型入力ラベルの埋め込みを計算する。
エンコーダは、画素埋め込みを対応するセマンティッククラスのテキスト埋め込みに合わせるために、対照的な目的で訓練される。
論文 参考訳（メタデータ） (2022-01-10T18:59:10Z) - Weakly-supervised Text Classification Based on Keyword Graph [30.57722085686241]
GNN によるキーワードグラフ上のキーワードキーワード相関を探索する ClassKG という新しいフレームワークを提案する。
フレームワークは反復的なプロセスであり、各イテレーションでまずキーワードグラフを構築し、擬似ラベルをアサインするタスクをキーワードサブグラフに変換する。
サブグラフアノテータによって生成された擬似ラベルを用いて、未ラベルのテキストを分類するためにテキスト分類器を訓練する。
論文 参考訳（メタデータ） (2021-10-06T08:58:02Z) - Weakly Supervised Medical Image Segmentation [2.355970984550866]
スパースラベル付き画像を用いた数ショットセマンティックセマンティックセグメンテーションのための新しい手法を提案する。
メタテストでは,スパースラベルをメタトレーニングや高密度ラベルに使用することにより,スパースラベルから高密度ラベルを予測することができる。
論文 参考訳（メタデータ） (2021-08-12T00:15:47Z) - A Closer Look at Self-training for Zero-Label Semantic Segmentation [53.4488444382874]
トレーニング中に見られないクラスをセグメント化できることは、ディープラーニングにおいて重要な技術的課題です。
事前のゼロラベルセマンティクスセグメンテーションは、ビジュアル・セマンティクスの埋め込みや生成モデルを学ぶことによってこのタスクにアプローチする。
本研究では,同一画像の異なる増分から生じる擬似ラベルの交点を取り出し,ノイズの多い擬似ラベルをフィルタリングする整合性正規化器を提案する。
論文 参考訳（メタデータ） (2021-04-21T14:34:33Z) - One Thing One Click: A Self-Training Approach for Weakly Supervised 3D
Semantic Segmentation [78.36781565047656]
私たちは、アノテーションーがオブジェクトごとに1ポイントだけラベルを付ける必要があることを意味する「One Thing One Click」を提案します。
グラフ伝搬モジュールによって促進されるトレーニングとラベル伝搬を反復的に行う。
私たちの結果は、完全に監督されたものと同等です。
論文 参考訳（メタデータ） (2021-04-06T02:27:25Z) - PCAMs: Weakly Supervised Semantic Segmentation Using Point Supervision [12.284208932393073]
本稿では,ある点レベルのアノテーションが与えられた画像から意味的セグメンテーションを生成する新しい手法を提案する。
提案するCNNは,通常,地上の真理ラベルの代わりに擬似ラベルを用いて完全に教師される。
提案手法は,PASCAL VOC 2012 データセットを引用した PASCAL VOC 2012 のセマンティックセマンティックセマンティフィケーションのための技術結果の状態を達成し,より強いバウンディングボックスやリスグル管理のための技術手法よりも優れていた。
論文 参考訳（メタデータ） (2020-07-10T21:25:27Z) - Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。
そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。
我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
論文 参考訳（メタデータ） (2020-03-17T12:59:50Z)
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。