論文の概要: Gradually Applying Weakly Supervised and Active Learning for Mass
Detection in Breast Ultrasound Images
- arxiv url: http://arxiv.org/abs/2008.08416v1
- Date: Wed, 19 Aug 2020 13:09:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 09:17:04.286482
- Title: Gradually Applying Weakly Supervised and Active Learning for Mass
Detection in Breast Ultrasound Images
- Title（参考訳）: 乳房超音波画像における重み検出のための弱視・能動学習の段階的適用
- Authors: JooYeol Yun, JungWoo Oh, and IlDong Yun
- Abstract要約: 本稿では,オブジェクト検出タスクにおいて弱い注釈付き画像データを効果的に活用する手法を提案する。
本稿では,2段階物体検出モデルにおいて,弱注釈画像の効果を扱うための制御重みについて提案する。
- 参考スコア（独自算出の注目度）: 2.6151761714896122
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a method for effectively utilizing weakly annotated image data in
an object detection tasks of breast ultrasound images. Given the problem
setting where a small, strongly annotated dataset and a large, weakly annotated
dataset with no bounding box information are available, training an object
detection model becomes a non-trivial problem. We suggest a controlled weight
for handling the effect of weakly annotated images in a two stage object
detection model. We~also present a subsequent active learning scheme for safely
assigning weakly annotated images a strong annotation using the trained model.
Experimental results showed a 24\% point increase in correct localization
(CorLoc) measure, which is the ratio of correctly localized and classified
images, by assigning the properly controlled weight. Performing active learning
after a model is trained showed an additional increase in CorLoc. We tested the
proposed method on the Stanford Dog datasets to assure that it can be applied
to general cases, where strong annotations are insufficient to obtain
resembling results. The presented method showed that higher performance is
achievable with lesser annotation effort.
- Abstract（参考訳）: 乳房超音波画像の物体検出タスクにおいて弱い注釈付き画像データを有効に活用する手法を提案する。
小さい、強い注釈付きデータセットと、境界ボックス情報のない大きな、弱い注釈付きデータセットが利用できる問題設定を考えると、オブジェクト検出モデルのトレーニングは非自明な問題となる。
2段階物体検出モデルにおいて,弱い注釈付き画像の効果を扱うための制御重みを提案する。
また、トレーニングされたモデルを使用して、弱い注釈付きイメージに強いアノテーションを安全に割り当てる、その後のアクティブラーニングスキームも提示します。
実験の結果, 正確な局所化と分類画像の比率である正位置化(CorLoc)は, 適切に制御された重みを割り当てることで24倍に増加した。
モデル訓練後のアクティブラーニングの実行は、CorLocをさらに増加させた。
提案手法をstanford dogデータセットで検証し,類似した結果を得るために強いアノテーションが不十分な一般的なケースに適用できることを確認した。
提案手法は,より少ないアノテーションで高い性能が得られることを示した。
関連論文リスト
- Learning Camouflaged Object Detection from Noisy Pseudo Label [60.9005578956798]
本稿では,まず,弱い半教師付きカモフラージュオブジェクト検出(COD)法を提案する。
予算効率が高く高精度なカモフラージュされたオブジェクトセグメンテーションを目標とし、完全にラベル付けされた画像が極めて限られている。
本稿では,早期の学習段階において,モデルが正しい画素の学習を容易にするノイズ補正損失を提案する。
完全ラベル付きデータの20%しか使用しない場合,本手法は最先端の手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2024-07-18T04:53:51Z) - Domain Adaptive Multiple Instance Learning for Instance-level Prediction
of Pathological Images [45.132775668689604]
アノテーションのコストを増大させることなく、ターゲットデータセットの分類性能を向上させるためのタスク設定を提案する。
両手法の監督情報を効果的に組み合わせるために,信頼性の高い擬似ラベルを作成する手法を提案する。
論文 参考訳（メタデータ） (2023-04-07T08:31:06Z) - MUS-CDB: Mixed Uncertainty Sampling with Class Distribution Balancing
for Active Annotation in Aerial Object Detection [40.94800050576902]
最近の空中物体検出モデルは大量のラベル付きトレーニングデータに依存している。
アクティブラーニングは、情報および代表的未ラベルサンプルを選択的にクエリすることで、データラベリングコストを効果的に削減する。
本稿では,費用対効果の高い空中物体検出のための新しい能動学習手法を提案する。
論文 参考訳（メタデータ） (2022-12-06T07:50:00Z) - Semi-weakly Supervised Contrastive Representation Learning for Retinal
Fundus Images [0.2538209532048867]
本稿では,半弱化アノテーションを用いた表現学習のための,半弱化教師付きコントラスト学習フレームワークを提案する。
SWCLの移動学習性能を7つの公立網膜眼底データセットで実証的に検証した。
論文 参考訳（メタデータ） (2021-08-04T15:50:09Z) - CutPaste: Self-Supervised Learning for Anomaly Detection and
Localization [59.719925639875036]
通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。
まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。
MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
論文 参考訳（メタデータ） (2021-04-08T19:04:55Z) - Weakly Supervised Video Salient Object Detection [79.51227350937721]
本稿では,relabeled relabeled "fixation guided scribble annotations" に基づく最初の弱教師付きビデオサリエント物体検出モデルを提案する。
効果的なマルチモーダル学習と長期時間文脈モデリングを実現するために,「アプレンス・モーション・フュージョン・モジュール」と双方向のConvLSTMベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2021-04-06T09:48:38Z) - Data Augmentation for Object Detection via Differentiable Neural
Rendering [71.00447761415388]
注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。
この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。
オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
論文 参考訳（メタデータ） (2021-03-04T06:31:06Z) - Instance Localization for Self-supervised Detection Pretraining [68.24102560821623]
インスタンスローカリゼーションと呼ばれる,新たな自己監視型プリテキストタスクを提案する。
境界ボックスを事前学習に組み込むことで、より優れたタスクアライメントとアーキテクチャアライメントが促進されることを示す。
実験結果から, オブジェクト検出のための最先端の転送学習結果が得られた。
論文 参考訳（メタデータ） (2021-02-16T17:58:57Z) - Towards Using Count-level Weak Supervision for Crowd Counting [55.58468947486247]
本稿では,少数の位置レベルのアノテーション(十分に教師された)と大量のカウントレベルのアノテーション(弱教師付き)からモデルを学習する,弱教師付き群集カウントの問題について検討する。
我々は、生成した密度マップの自由を制限するための正規化を構築するために、単純なyet効果のトレーニング戦略、すなわちMultiple Auxiliary Tasks Training (MATT)を考案した。
論文 参考訳（メタデータ） (2020-02-29T02:58:36Z)
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。