論文の概要: Automatic Label Correction for the Accurate Edge Detection of
Overlapping Cervical Cells
- arxiv url: http://arxiv.org/abs/2010.01919v2
- Date: Tue, 13 Jul 2021 12:38:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 22:00:09.988432
- Title: Automatic Label Correction for the Accurate Edge Detection of
Overlapping Cervical Cells
- Title（参考訳）: 重なり合う頚髄細胞のエッジ検出のためのラベル自動補正法
- Authors: Jiawei Liu, Qiang Wang, Huijie Fan, Shuai Wang, Wentao Li, Yandong
Tang, Danbo Wang, Mingyi Zhou, Li Chen
- Abstract要約: 手動ラベリングにおける重なり合う頸部細胞のエッジ位置決め精度を向上させるための自動ラベル補正アルゴリズムを提案する。
アルゴリズムは勾配誘導に基づいて設計されており,重なり合う子宮頸部細胞のエッジ位置を自動的に補正することができる。
- 参考スコア（独自算出の注目度）: 29.313642197849816
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate labeling is essential for supervised deep learning methods. In this
paper, to accurately segment images of multiple overlapping cervical cells with
deep learning models, we propose an automatic label correction algorithm to
improve the edge positioning accuracy of overlapping cervical cells in manual
labeling. Our algorithm is designed based on gradient guidance, and can
automatically correct edge positions for overlapping cervical cells and
differences among manual labeling with different annotators. Using the proposed
algorithm, we constructed an open cervical cell edge detection dataset (CCEDD)
with high labeling accuracy. The experiments on the dataset for training show
that our automatic label correction algorithm can improve the accuracy of
manual labels and further improve the positioning accuracy of overlapping cells
with deep learning models. We have released the dataset and code at
https://github.com/nachifur/automatic-label-correction-CCEDD.
- Abstract（参考訳）: 教師付きディープラーニング手法には正確なラベリングが不可欠である。
本稿では,複数の重複する頸部細胞の画像を深層学習モデルで正確に分割するために,手動ラベリングにおける重複する頸部細胞のエッジ位置決め精度を向上させる自動ラベル補正アルゴリズムを提案する。
このアルゴリズムは勾配誘導に基づいて設計されており,重複する頚椎細胞のエッジ位置や手指ラベリングの違いを自動的に補正することができる。
提案するアルゴリズムを用いて,高いラベリング精度を有するオープン頚椎細胞エッジ検出データセット(ccedd)を構築した。
トレーニング用データセット実験の結果,自動ラベル補正アルゴリズムにより手動ラベルの精度が向上し,深層学習モデルによる重なり合うセルの位置決め精度が向上することが示された。
データセットとコードはhttps://github.com/nachifur/automatic-label-correction-CCEDDでリリースしました。
関連論文リスト
- Alternative Pseudo-Labeling for Semi-Supervised Automatic Speech
Recognition [49.42732949233184]
ラベル付きデータが不十分な場合、擬似ラベル技術による半教師付き学習は自動音声認識の性能を大幅に向上させることができる。
損失関数のグラウンドトルースとしてノイズラベルを取ると、最適以下の性能が得られる。
そこで我々は,ノイズの多い擬似ラベル問題に対処するために,代替擬似ラベル方式という新しい枠組みを提案する。
論文 参考訳（メタデータ） (2023-08-12T12:13:52Z) - PNT-Edge: Towards Robust Edge Detection with Noisy Labels by Learning
Pixel-level Noise Transitions [119.17602768128806]
特に大規模なデータセットでは、エッジの正確なラベル付けは難しい。
本稿では,ラベル破壊過程をモデル化するために,Pixelレベルのノイズ遷移を学習することを提案する。
論文 参考訳（メタデータ） (2023-07-26T09:45:17Z) - Model Calibration in Dense Classification with Adaptive Label
Perturbation [44.62722402349157]
既存の密接な二分分類モデルは、過信される傾向がある。
本稿では,各トレーニング画像に対する独自のラベル摂動レベルを学習する適応ラベル摂動(ASLP)を提案する。
ASLPは、分布内および分布外の両方のデータに基づいて、密度の高い二分分類モデルの校正度を著しく改善することができる。
論文 参考訳（メタデータ） (2023-07-25T14:40:11Z) - ProTeCt: Prompt Tuning for Taxonomic Open Set Classification [59.59442518849203]
分類学的オープンセット(TOS)設定では、ほとんどショット適応法はうまくいきません。
本稿では,モデル予測の階層的一貫性を校正する即時チューニング手法を提案する。
次に,階層整合性のための新しいPrompt Tuning(ProTeCt)手法を提案し,ラベル集合の粒度を分類する。
論文 参考訳（メタデータ） (2023-06-04T02:55:25Z) - What Are Effective Labels for Augmented Data? Improving Calibration and
Robustness with AutoLabel [25.90876543174631]
歪んだデータに対する1ホットラベルの再使用は、ノイズの追加や精度の劣化、校正のリスクを負う可能性がある。
そこで本研究では,ラベルの信頼度を自動的に学習する汎用手法であるAutoLabelを提案する。
私たちはAutoLabelを、最先端のRandAug、AugMix、敵のトレーニングという3つの異なるデータ拡張テクニックに適用することに成功しました。
論文 参考訳（メタデータ） (2023-02-22T07:44:17Z) - Is margin all you need? An extensive empirical study of active learning
on tabular data [66.18464006872345]
我々は,OpenML-CC18ベンチマークを用いて,69の実世界のデータセット上での各種能動学習アルゴリズムの性能を解析した。
意外なことに、古典的なマージンサンプリング技術は、現在の最先端技術を含む、他のすべてのものよりも優れている。
論文 参考訳（メタデータ） (2022-10-07T21:18:24Z) - CTRL: Clustering Training Losses for Label Error Detection [4.49681473359251]
教師付き機械学習では、正確なラベルの使用は高い精度を保証するために極めて重要である。
本稿では,ラベル誤り検出のための新しいフレームワークClustering TRaining Lossesを提案する。
モデルが異なる方法でクリーンでノイズの多いラベルを学習する観察に基づいて、ラベルエラーを2つのステップで検出する。
論文 参考訳（メタデータ） (2022-08-17T18:09:19Z) - Adaptive Label Smoothing To Regularize Large-Scale Graph Training [46.00927775402987]
本研究では, 適応ラベル平滑化法 (ALS) を提案する。
ALSはノードラベルを伝播して、前処理ステップで近隣ラベルの分布を集約し、その後、最適なスムーズなラベルをオンラインで更新して、特定のグラフ構造に適合させる。
論文 参考訳（メタデータ） (2021-08-30T23:51:31Z) - Learning to Purify Noisy Labels via Meta Soft Label Corrector [49.92310583232323]
最近のディープニューラルネットワーク(DNN)は、ノイズラベルによるバイアス付きトレーニングデータに容易に適合する。
ラベル修正戦略はこの問題を軽減するために一般的に用いられる。
メタ学習モデルを提案する。
論文 参考訳（メタデータ） (2020-08-03T03:25:17Z) - On the Arbitrary-Oriented Object Detection: Classification based
Approaches Revisited [94.5455251250471]
まず,既存の回帰型回転検出器が抱える境界問題は,角周期性や角秩序によって引き起こされることを示した。
我々は、角予測タスクを回帰問題から分類問題に変換する。
得られた円形分布角分類問題に対して、まず、角度の周期性に対処し、隣り合う角度に対する誤差耐性を高めるために、円スムースラベル法を考案する。
論文 参考訳（メタデータ） (2020-03-12T03:23:54Z)
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。