論文の概要: Region-of-interest guided Supervoxel Inpainting for Self-supervision
- arxiv url: http://arxiv.org/abs/2006.15186v1
- Date: Fri, 26 Jun 2020 19:28:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 21:57:13.946990
- Title: Region-of-interest guided Supervoxel Inpainting for Self-supervision
- Title（参考訳）: 自己監督用スーパーボクセル塗装
- Authors: Subhradeep Kayal, Shuai Chen, Marleen de Bruijne
- Abstract要約: 自己教師付き学習は、バイオメディカルイメージセグメンテーションで利用可能なすべてのデータを最大限に活用する上で有益であることが証明されている。
自己超越を達成するための特にシンプルで効果的なメカニズムは、画像の残りの部分に基づいて、任意の欠落した領域を予測する作業であるインペインティングである。
本稿では,ディープニューラルネットワークの性能を高めるために,新しい2つの構造変化を提案する。
提案手法は, 教師付きCNNにおいて, 自己スーパービジョンを伴わず, 従来型のインペインティングベースの自己スーパービジョン方式において, 大小のトレーニングセットサイズと小小のトレーニングセットサイズの両方において, 一貫して優れていたことを実証的に示す。
- 参考スコア（独自算出の注目度）: 8.744460886823322
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Self-supervised learning has proven to be invaluable in making best use of
all of the available data in biomedical image segmentation. One particularly
simple and effective mechanism to achieve self-supervision is inpainting, the
task of predicting arbitrary missing areas based on the rest of an image. In
this work, we focus on image inpainting as the self-supervised proxy task, and
propose two novel structural changes to further enhance the performance of a
deep neural network. We guide the process of generating images to inpaint by
using supervoxel-based masking instead of random masking, and also by focusing
on the area to be segmented in the primary task, which we term as the
region-of-interest. We postulate that these additions force the network to
learn semantics that are more attuned to the primary task, and test our
hypotheses on two applications: brain tumour and white matter hyperintensities
segmentation. We empirically show that our proposed approach consistently
outperforms both supervised CNNs, without any self-supervision, and
conventional inpainting-based self-supervision methods on both large and small
training set sizes.
- Abstract（参考訳）: 自己教師付き学習は、バイオメディカルイメージセグメンテーションで利用可能なすべてのデータを最大限に活用する上で有益であることが証明されている。
自己超越を達成するための特にシンプルで効果的なメカニズムは、画像の残りの部分に基づいて、任意の欠落した領域を予測する作業であるインペインティングである。
本研究では,自己監督型プロキシタスクとしてのイメージインパインティングに着目し,より深いニューラルネットワークの性能を高めるために,2つの新しい構造変化を提案する。
我々は、ランダムマスキングの代わりにスーパーボクセルベースのマスキングを用いて、画像を生成する過程をガイドし、また、メインタスクにセグメント化される領域に焦点を当て、関心の領域と呼ぶ。
これらの追加により、ネットワークは主要なタスクに慣れた意味学を学習し、脳腫瘍とホワイトマターの超強度セグメンテーションという2つの応用に関する仮説をテストする必要があると仮定する。
提案手法は,大規模および小規模のトレーニングセットサイズにおいて,自己スーパービジョンを必要とせず,かつ従来のインペインティングベースの自己スーパービジョン手法よりも一貫して優れることを示す。
関連論文リスト
- Masking Improves Contrastive Self-Supervised Learning for ConvNets, and Saliency Tells You Where [63.61248884015162]
我々は、畳み込みニューラルネットワークのためのコントラスト学習フレームワークにマスキング操作を組み込むことの負担を軽減することを目的としている。
マスクされた領域が、前景と背景の間に均等に分散されていることを考慮し、塩分濃度の制約を明示的に考慮することを提案する。
論文 参考訳（メタデータ） (2023-09-22T09:58:38Z) - Learning to Scale Temperature in Masked Self-Attention for Image
Inpainting [11.52934596799707]
マルチヘッド温度マスキング自己保持機構を用いた画像塗布フレームワークを提案する。
描画結果の画質の向上に加えて,新しいスケッチ生成手法を導入してユーザガイド画像編集に一般化する。
論文 参考訳（メタデータ） (2023-02-13T06:37:17Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Unsupervised Dense Nuclei Detection and Segmentation with Prior
Self-activation Map For Histology Images [5.3882963853819845]
事前自己アクティベーションモジュール(PSM)を用いた自己教師型学習手法を提案する。
PSMは入力画像から自己活性化マップを生成し、ラベル付けコストを回避し、下流タスク用の擬似マスクを生成する。
他の完全教師付き・弱教師付き手法と比較して,本手法は手動アノテーションを使わずに競争性能を達成できる。
論文 参考訳（メタデータ） (2022-10-14T14:34:26Z) - A domain adaptive deep learning solution for scanpath prediction of
paintings [66.46953851227454]
本稿では,ある絵画の視覚的体験における視聴者の眼球運動分析に焦点を当てた。
我々は、人間の視覚的注意を予測するための新しいアプローチを導入し、人間の認知機能に影響を及ぼす。
提案した新しいアーキテクチャは、画像を取り込んでスキャンパスを返す。
論文 参考訳（メタデータ） (2022-09-22T22:27:08Z) - Learning Prior Feature and Attention Enhanced Image Inpainting [63.21231753407192]
本稿では,事前学習に基づくMasked AutoEncoder(MAE)を塗装モデルに組み込む。
マスク付き領域とマスキングされていない領域間の長距離依存性をより学習させるために,MAE の注意点を用いた手法を提案する。
論文 参考訳（メタデータ） (2022-08-03T04:32:53Z) - Visual Attention Network [90.0753726786985]
本稿では,自己アテンションにおける自己適応性および長距離相関を実現するために,新しいカーネルアテンション(LKA)モジュールを提案する。
また、LKAに基づく新しいニューラルネットワーク、すなわちVisual Attention Network (VAN)を導入する。
VANは、最先端のビジョントランスフォーマーと畳み込みニューラルネットワークを、広範な実験において大きなマージンで上回ります。
論文 参考訳（メタデータ） (2022-02-20T06:35:18Z) - Interactive Image Inpainting Using Semantic Guidance [36.34615403590834]
本稿では,ユーザ自身の好みや記憶によってインペイント結果のカスタマイズを可能にする,新しい画像インペイント手法を提案する。
第1段階では、新規な空間的注意機構に基づくオートエンコーダを配置して、破損した画像の再構成特徴を生成する。
第2段階では、ユーザがカスタマイズしたセマンティックマスクによって導かれる微細な塗布結果を合成するために、予め再構成された特徴を取り入れたセマンティックデコーダが採用される。
論文 参考訳（メタデータ） (2022-01-26T05:09:42Z) - Unsupervised Image Segmentation by Mutual Information Maximization and
Adversarial Regularization [7.165364364478119]
InMARS(Information Maximization and Adrial Regularization)と呼ばれる新しい教師なしセマンティックセマンティックセマンティクス手法を提案する。
シーンを知覚群に解析する人間の知覚に触発され、提案手法はまず、入力画像を意味のある領域(スーパーピクセルとも呼ばれる)に分割する。
次に、相互情報最大化(Multual-Information-Maximization)と、それらの領域を意味論的に意味のあるクラスにクラスタ化するための敵対的トレーニング戦略を利用する。
提案手法は2つの非教師付きセマンティックセグメンテーションデータセット上での最先端性能を実現することを実証した。
論文 参考訳（メタデータ） (2021-07-01T18:36:27Z) - Rethinking of the Image Salient Object Detection: Object-level Semantic
Saliency Re-ranking First, Pixel-wise Saliency Refinement Latter [62.26677215668959]
本稿では,意味的に有意な領域を粗い位置で特定する,軽量で教師付きの深層ネットワークを提案する。
次に,これらセマンティック・サリエント領域の深層モデルを画素ワイド・サリエンシ改善として融合する。
提案手法は単純だが有効であり,本手法は主眼をオブジェクトレベルのセマンティック・リグレード問題とみなすための最初の試みである。
論文 参考訳（メタデータ） (2020-08-10T07:12:43Z)
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。