論文の概要: Deep Learning for Earth Image Segmentation based on Imperfect Polyline Labels with Annotation Errors

• arxiv url: http://arxiv.org/abs/2010.00757v1
• Date: Fri, 2 Oct 2020 02:54:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 01:25:37.702365
• Title: Deep Learning for Earth Image Segmentation based on Imperfect Polyline Labels with Annotation Errors
• Title（参考訳）: 注釈誤りを含む不完全ポリラインラベルに基づく地球画像分割のための深層学習
• Authors: Zhe Jiang, Marcus Stephen Kirby, Wenchong He, Arpan Man Sainju
• Abstract要約: 本稿では,深層学習モデルパラメータを更新し,隠れた真のラベル位置を同時に推測するEMアルゴリズムに基づく汎用学習フレームワークを提案する。 ストリームライン改良アプリケーションにおける実世界の水文科学データセットの評価は,提案フレームワークが分類精度においてベースライン法より優れていることを示している。
• 参考スコア（独自算出の注目度）: 12.547819302858045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, deep learning techniques (e.g., U-Net, DeepLab) have achieved tremendous success in image segmentation. The performance of these models heavily relies on high-quality ground truth segment labels. Unfortunately, in many real-world problems, ground truth segment labels often have geometric annotation errors due to manual annotation mistakes, GPS errors, or visually interpreting background imagery at a coarse resolution. Such location errors will significantly impact the training performance of existing deep learning algorithms. Existing research on label errors either models ground truth errors in label semantics (assuming label locations to be correct) or models label location errors with simple square patch shifting. These methods cannot fully incorporate the geometric properties of label location errors. To fill the gap, this paper proposes a generic learning framework based on the EM algorithm to update deep learning model parameters and infer hidden true label locations simultaneously. Evaluations on a real-world hydrological dataset in the streamline refinement application show that the proposed framework outperforms baseline methods in classification accuracy (reducing the number of false positives by 67% and reducing the number of false negatives by 55%).
• Abstract（参考訳）: 近年、深層学習技術(U-Net、DeepLabなど)は画像セグメンテーションにおいて大きな成功を収めている。 これらのモデルの性能は、高品質な真実セグメントラベルに大きく依存している。 残念なことに、現実世界の多くの問題では、手動のアノテーションミス、GPSのエラー、あるいは粗い解像度で背景画像の視覚的解釈による幾何学的アノテーションエラーがあることが多い。 このような位置誤差は、既存のディープラーニングアルゴリズムのトレーニング性能に大きく影響する。 ラベルエラーに関する既存の研究は、ラベルセマンティクスにおける真理誤差(ラベル位置が正しいと仮定する)や、単純な正方形パッチシフトを伴うモデルのいずれかである。 これらの手法はラベル位置誤差の幾何学的性質を完全に組み込むことはできない。 このギャップを埋めるために,深層学習モデルパラメータを更新し,隠れた真のラベル位置を同時に推測するEMアルゴリズムに基づく汎用学習フレームワークを提案する。 合理化アプリケーションにおける実世界の水文データセットの評価は,提案手法が分類精度においてベースライン法を上回っていることを示している(偽陽性数を67%削減し,偽陰性数を55%削減する)。

関連論文リスト

• ERASE: Error-Resilient Representation Learning on Graphs for Label Noise Tolerance [53.73316938815873]
  本稿では, ERASE (Error-Resilient representation learning on graphs for lAbel noiSe tolerancE) という手法を提案する。 ERASEは、プロトタイプの擬似ラベルとプロパゲーションされた識別ラベルを組み合わせて、表現をエラーレジリエンスで更新する。 提案手法は, 広い雑音レベルにおいて, 複数のベースラインをクリアマージンで上回り, 高いスケーラビリティを享受できる。
  論文  参考訳（メタデータ） (2023-12-13T17:59:07Z)
• Estimating label quality and errors in semantic segmentation data via any model [19.84626033109009]
  ラベル品質を評価する手法について検討し、最も低いスコアのイメージを正しくラベル付けする可能性が低いことを示す。 これにより、高品質なトレーニング/評価データセットを保証するために、レビューするデータを優先順位付けすることが可能になる。
  論文  参考訳（メタデータ） (2023-07-11T07:29:09Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Semi-supervised Semantic Segmentation with Error Localization Network [16.42221567235617]
  本稿では,セマンティックセグメンテーションの半教師付き学習について検討する。 トレーニングイメージのごく一部だけがラベル付けされており、他はラベル付けされていないと仮定する。 ラベルなしのイメージは通常、トレーニングで使用される擬似ラベルに割り当てられる。 本稿では、この慢性的な擬似ラベリングの問題を解決する新しい方法を提案する。
  論文  参考訳（メタデータ） (2022-04-05T09:42:21Z)
• Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
  超高解像度画像のための混合監視学習フレームワークを提案する。 パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。 画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
  論文  参考訳（メタデータ） (2021-07-02T09:46:06Z)
• Towards Good Practices for Efficiently Annotating Large-Scale Image Classification Datasets [90.61266099147053]
  多数の画像の分類ラベルを収集するための効率的なアノテーション戦略を検討する。 人間のラベリング作業を最小化するための修正とベストプラクティスを提案します。 ImageNet100の125kイメージサブセットのシミュレーション実験では、平均で0.35のアノテーションで80%のトップ-1の精度でアノテートできることが示されている。
  論文  参考訳（メタデータ） (2021-04-26T16:29:32Z)
• Noisy Labels Can Induce Good Representations [53.47668632785373]
  アーキテクチャがノイズラベルによる学習に与える影響について検討する。 ノイズラベルを用いたトレーニングは,モデルが一般化に乏しい場合でも,有用な隠れ表現を誘導できることを示す。 この発見は、騒々しいラベルで訓練されたモデルを改善する簡単な方法につながります。
  論文  参考訳（メタデータ） (2020-12-23T18:58:05Z)
• Learning to segment from misaligned and partial labels [0.0]
  アーバン以外の多くの設定は、正確なセグメンテーションに必要な基盤構造を欠いている。 OpenStreetMaps (OSM)のようなオープンソースのインフラストラクチャアノテーションがこの問題を代表している。 本稿では,不整合アノテーションと欠落アノテーションを付与した画素画像分割を改良した,新規で一般化可能な2段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-27T06:02:58Z)
• 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。