論文の概要: GAN based Unsupervised Segmentation: Should We Match the Exact Number of Objects

• arxiv url: http://arxiv.org/abs/2010.11438v1
• Date: Thu, 22 Oct 2020 04:36:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 07:42:39.407811
• Title: GAN based Unsupervised Segmentation: Should We Match the Exact Number of Objects
• Title（参考訳）: GANベースの教師なしセグメンテーション: 具体的なオブジェクト数に一致すべきか
• Authors: Quan Liu, Isabella M. Gaeta, Bryan A. Millis, Matthew J. Tyska, Yuankai Huo
• Abstract要約: 本稿では,深層学習に基づく非教師なしセグメンテーション手法を提案する。 マイクロレベルのオブジェクト数と一致させるために, 蛍光を用いた新しいマイクロレベルのマッチング手法が提案された。
• 参考スコア（独自算出の注目度）: 9.026102518593337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The unsupervised segmentation is an increasingly popular topic in biomedical image analysis. The basic idea is to approach the supervised segmentation task as an unsupervised synthesis problem, where the intensity images can be transferred to the annotation domain using cycle-consistent adversarial learning. The previous studies have shown that the macro-level (global distribution level) matching on the number of the objects (e.g., cells, tissues, protrusions etc.) between two domains resulted in better segmentation performance. However, no prior studies have exploited whether the unsupervised segmentation performance would be further improved when matching the exact number of objects at micro-level (mini-batch level). In this paper, we propose a deep learning based unsupervised segmentation method for segmenting highly overlapped and dynamic sub-cellular microvilli. With this challenging task, both micro-level and macro-level matching strategies were evaluated. To match the number of objects at the micro-level, the novel fluorescence-based micro-level matching approach was presented. From the experimental results, the micro-level matching did not improve the segmentation performance, compared with the simpler macro-level matching.
• Abstract（参考訳）: 教師なしセグメンテーションは、バイオメディカル画像解析において、ますます人気のあるトピックである。 基本的な考え方は、教師付きセグメンテーションタスクを教師なし合成問題としてアプローチすることであり、そこでは、サイクル整合逆学習を用いて、強度画像をアノテーション領域に転送することができる。 これまでの研究では、2つのドメイン間の対象物(細胞、組織、突起など)の数に一致するマクロレベル(グローバル分布レベル)がセグメンテーション性能を向上させることが示されている。 しかし、マイクロレベル(ミニバッチレベル)のオブジェクトの正確な数に合わせると、教師なしのセグメンテーション性能がさらに向上するかどうかという事前研究は行われていない。 本稿では,深層学習に基づく,重なり合った動的サブセルマイクロビリのセグメント化のための非教師なしセグメンテーション手法を提案する。 この課題により、マイクロレベルとマクロレベルのマッチング戦略が評価された。 マイクロレベルのオブジェクト数をマッチングするために、新しい蛍光ベースのマイクロレベルマッチングアプローチが提示された。 実験結果から,マイクロレベルマッチングはより単純なマクロレベルマッチングに比べてセグメンテーション性能が向上しなかった。

関連論文リスト

• OMH: Structured Sparsity via Optimally Matched Hierarchy for Unsupervised Semantic Segmentation [69.37484603556307]
  Un Semantic segmenting (USS)は、事前に定義されたラベルに頼ることなく、イメージをセグメント化する。 上記の問題を同時に解決するために,OMH (Optimally Matched Hierarchy) という新しいアプローチを導入する。 我々のOMHは既存のUSS法と比較して教師なしセグメンテーション性能がよい。
  論文  参考訳（メタデータ） (2024-03-11T09:46:41Z)
• Unsupervised Universal Image Segmentation [59.0383635597103]
  本稿では,Unsupervised Universal Model (U2Seg) を提案する。 U2Segは、自己教師付きモデルを利用して、これらのセグメンテーションタスクの擬似意味ラベルを生成する。 次に、これらの擬似意味ラベル上でモデルを自己学習し、かなりの性能向上をもたらす。
  論文  参考訳（メタデータ） (2023-12-28T18:59:04Z)
• Cyclic Learning: Bridging Image-level Labels and Nuclei Instance Segmentation [19.526504045149895]
  本稿では,この問題を解決するために,循環学習と呼ばれる画像レベルの弱教師付き手法を提案する。 サイクルラーニングは、フロントエンドの分類タスクと、バックエンドの半教師付きインスタンスセグメンテーションタスクで構成される。 3つのデータセットを用いた実験は、核インスタンスのセグメンテーションにおいて、他の画像レベルの弱教師付き手法よりも優れた、我々の手法の優れた一般性を示す。
  論文  参考訳（メタデータ） (2023-06-05T08:32:12Z)
• Masked Supervised Learning for Semantic Segmentation [5.177947445379688]
  Masked Supervised Learning (MaskSup)は、短いコンテキストと長距離コンテキストの両方をモデル化する効果的なシングルステージ学習パラダイムである。 提案手法は計算効率が良く,平均交叉和(mIoU)において10%向上することを示す。
  論文  参考訳（メタデータ） (2022-10-03T13:30:19Z)
• A Survey on Label-efficient Deep Segmentation: Bridging the Gap between Weak Supervision and Dense Prediction [115.9169213834476]
  本稿では,ラベル効率の高いセグメンテーション手法について概説する。 まず,様々な種類の弱いラベルによって提供される監督に従って,これらの手法を整理する分類法を開発する。 次に,既存のラベル効率のセグメンテーション手法を統一的な視点から要約する。
  論文  参考訳（メタデータ） (2022-07-04T06:21:01Z)
• Unsupervised Hierarchical Semantic Segmentation with Multiview Cosegmentation and Clustering Transformers [47.45830503277631]
  グループ化は自然に粒度のレベルを持ち、教師なしのセグメンテーションにおいて曖昧さを生み出す。 階層的セグメンテーショングループ(HSG)と呼ばれる,データ駆動型非教師付き階層的セグメンテーション手法を初めて提供する。
  論文  参考訳（メタデータ） (2022-04-25T04:40:46Z)
• Exposing Semantic Segmentation Failures via Maximum Discrepancy Competition [102.75463782627791]
  オープンビジュアルの世界において,既存の意味セグメンテーション手法の失敗を露呈することで,質問に答える。 モデル改ざんに関するこれまでの研究に触発され、任意に大きい画像セットから始まり、2つのセグメンテーション方法間の差分法(MAD)をMAximizingすることによって、小さな画像セットを自動的にサンプリングします。 選択された画像は、2つの方法のいずれか(または両方)を偽造する最大の可能性を持っている。 また,MADコンペティションにおいて,障害の露呈が困難であるセグメンテーション法について検討した。
  論文  参考訳（メタデータ） (2021-02-27T16:06:25Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• Attention-Based Transformers for Instance Segmentation of Cells in Microstructures [22.215852332444904]
  本稿では, 直接端対端のインスタンスセグメンテーションのための新しいアテンションベースセル検出トランス (Cell-DETR) を提案する。 セグメンテーション性能は最先端のインスタンスセグメンテーション法と同等だが、Cell-DETRはよりシンプルで高速である。 特定のユースケースでは、提案手法は意味的セグメンテーションのための最先端のツールを超越し、個別のオブジェクトインスタンスを予測する。
  論文  参考訳（メタデータ） (2020-11-19T10:49:56Z)

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。