論文の概要: Negative Pseudo Labeling using Class Proportion for Semantic Segmentation in Pathology

• arxiv url: http://arxiv.org/abs/2007.08044v1
• Date: Thu, 16 Jul 2020 00:28:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 23:17:42.246439
• Title: Negative Pseudo Labeling using Class Proportion for Semantic Segmentation in Pathology
• Title（参考訳）: 病理学における意味セグメンテーションのためのクラス比を用いた否定的擬似ラベリング
• Authors: Hiroki Tokunaga, Brian Kenji Iwana, Yuki Teramoto, Akihiko Yoshizawa, Ryoma Bise
• Abstract要約: 我々は、弱いラベルを用いて連続するフレーム内の細胞を検出する共検出CNNを訓練する。 我々の重要な前提は、CNNは検出に加えて暗黙的に関連を学習するということである。 実験により, 共検出CNNを解析することにより, 提案手法が位置と一致できることが実証された。
• 参考スコア（独自算出の注目度）: 13.518249394674623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a weakly-supervised cell tracking method that can train a convolutional neural network (CNN) by using only the annotation of "cell detection" (i.e., the coordinates of cell positions) without association information, in which cell positions can be easily obtained by nuclear staining. First, we train a co-detection CNN that detects cells in successive frames by using weak-labels. Our key assumption is that the co-detection CNN implicitly learns association in addition to detection. To obtain the association information, we propose a backward-and-forward propagation method that analyzes the correspondence of cell positions in the detection maps output of the co-detection CNN. Experiments demonstrated that the proposed method can match positions by analyzing the co-detection CNN. Even though the method uses only weak supervision, the performance of our method was almost the same as the state-of-the-art supervised method.
• Abstract（参考訳）: 本稿では,畳み込みニューラルネットワーク(cnn)を結合情報なしに「細胞検出」(すなわち細胞位置の座標)の注釈のみを用いて学習し,核染色により容易に細胞位置を得ることができる弱教師付き細胞追跡法を提案する。 まず,弱いラベルを用いて連続フレーム内の細胞を検出する共検出cnnを訓練する。 我々の重要な前提は、CNNは検出に加えて暗黙的に関連を学習するということである。 関連情報を得るために,共検出CNNの出力する検出マップにおけるセル位置の対応を解析する後方・前方伝搬法を提案する。 実験により,共検出CNNを解析することにより,提案手法が位置と一致できることを示した。 本手法は弱い監督しか用いていないが,本手法の性能は最先端の監督手法とほぼ同程度であった。

関連論文リスト

• Cell Graph Transformer for Nuclei Classification [78.47566396839628]
  我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。 不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。 グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:01:30Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• Mitigating the Mutual Error Amplification for Semi-Supervised Object Detection [92.52505195585925]
  擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。 他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
  論文  参考訳（メタデータ） (2022-01-26T03:34:57Z)
• Cell Detection from Imperfect Annotation by Pseudo Label Selection Using P-classification [9.080472817672264]
  不完全な注釈付きデータからの細胞検出のための擬似ラベリング手法を提案する。 このようなラベル付きデータを用いてトレーニングされた検出畳み込みニューラルネットワーク(CNN)は、しばしば過剰検出を生成する。 5つの異なる条件における顕微鏡画像を用いた実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-07-20T07:08:05Z)
• Semi-supervised Cell Detection in Time-lapse Images Using Temporal Consistency [10.20554144865699]
  本研究では,ラベル付き画像とラベル付き画像との時間経過シーケンスを効果的に利用する半教師付き細胞検出法を提案する。 まず,一方のラベル付き画像を用いたセル検出ネットワークを訓練し,未ラベル付き画像と訓練されたネットワークを推定する。 次に,検出した細胞をラベル付きフレームから遠方まで追跡することにより,推定値から高信頼位置を選択する。
  論文  参考訳（メタデータ） (2021-07-19T06:40:47Z)
• SRPN: similarity-based region proposal networks for nuclei and cells detection in histology images [13.544784143012624]
  組織像における核・細胞検出のための類似性に基づく領域提案ネットワーク(SRPN)を提案する。 埋め込み層と呼ばれるカスタマイズされた畳み込み層は、ネットワーク構築のために設計されている。 組織像における多臓器核検出とシグナレットリング細胞検出の課題について,提案手法を検証した。
  論文  参考訳（メタデータ） (2021-06-25T10:56:54Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Weakly-Supervised Cell Tracking via Backward-and-Forward Propagation [18.41585969393743]
  畳み込みニューラルネットワーク(CNN)を学習する弱い教師付き細胞追跡法を提案する。 実験により, 共検出CNNを解析することにより, 細胞を関連付けることができることを示した。
  論文  参考訳（メタデータ） (2020-07-30T06:41:22Z)
• GCN for HIN via Implicit Utilization of Attention and Meta-paths [104.24467864133942]
  不均一情報ネットワーク(HIN)埋め込みは、HINの構造と意味情報を分散表現にマッピングすることを目的としている。 本稿では,注意とメタパスを暗黙的に活用するニューラルネットワーク手法を提案する。 まず、各層で識別集約を行う多層グラフ畳み込みネットワーク(GCN)フレームワークを用いる。 次に,アグリゲーションから分離可能な新しい伝搬操作を導入することにより,効果的な緩和と改善を行う。
  論文  参考訳（メタデータ） (2020-07-06T11:09:40Z)
• Cell Segmentation and Tracking using CNN-Based Distance Predictions and a Graph-Based Matching Strategy [0.20999222360659608]
  顕微鏡画像における触覚細胞のセグメンテーション法を提案する。 距離マップにインスパイアされた新しい細胞境界の表現を用いることで, 触覚細胞だけでなく, 近接細胞をトレーニングプロセスで利用することができる。 この表現は、特にアノテーションエラーに対して堅牢であり、未表現または未含の細胞型を含むトレーニングデータに含まれる顕微鏡画像のセグメンテーションに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2020-04-03T11:55:28Z)
• BiDet: An Efficient Binarized Object Detector [96.19708396510894]
  本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。 我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。 我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2020-03-09T08:16:16Z)

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。