論文の概要: Deep Interpretable Classification and Weakly-Supervised Segmentation of
Histology Images via Max-Min Uncertainty
- arxiv url: http://arxiv.org/abs/2011.07221v3
- Date: Sat, 9 Oct 2021 00:59:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 13:20:11.489305
- Title: Deep Interpretable Classification and Weakly-Supervised Segmentation of
Histology Images via Max-Min Uncertainty
- Title（参考訳）: Max-Min不確実性による組織像の深い解釈可能な分類と弱補正
- Authors: Soufiane Belharbi, J\'er\^ome Rony, Jose Dolz, Ismail Ben Ayed, Luke
McCaffrey, Eric Granger
- Abstract要約: 弱教師付き学習(WSL)は、最近、ピクセルワイドアノテーションの欠如を緩和するため、かなりの関心を集めている。
本研究では,非識別領域と識別領域の両方を求める新しい正規化項を提案する。
i) クラス予測に関するモデル信頼度が高い前景を求めるクロスエントロピー、(ii) モデルの不確実性が高い背景を求めるKL正規化器、(iii) バランスの取れていないセグメンテーションを阻止するログバリア用語。
- 参考スコア（独自算出の注目度）: 25.429124017422385
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Weakly-supervised learning (WSL) has recently triggered substantial interest
as it mitigates the lack of pixel-wise annotations. Given global image labels,
WSL methods yield pixel-level predictions (segmentations), which enable to
interpret class predictions. Despite their recent success, mostly with natural
images, such methods can face important challenges when the foreground and
background regions have similar visual cues, yielding high false-positive rates
in segmentations, as is the case in challenging histology images. WSL training
is commonly driven by standard classification losses, which implicitly maximize
model confidence, and locate the discriminative regions linked to
classification decisions. Therefore, they lack mechanisms for modeling
explicitly non-discriminative regions and reducing false-positive rates. We
propose novel regularization terms, which enable the model to seek both
non-discriminative and discriminative regions, while discouraging unbalanced
segmentations. We introduce high uncertainty as a criterion to localize
non-discriminative regions that do not affect classifier decision, and describe
it with original Kullback-Leibler (KL) divergence losses evaluating the
deviation of posterior predictions from the uniform distribution. Our KL terms
encourage high uncertainty of the model when the latter inputs the latent
non-discriminative regions. Our loss integrates: (i) a cross-entropy seeking a
foreground, where model confidence about class prediction is high; (ii) a KL
regularizer seeking a background, where model uncertainty is high; and (iii)
log-barrier terms discouraging unbalanced segmentations. Comprehensive
experiments and ablation studies over the public GlaS colon cancer data and a
Camelyon16 patch-based benchmark for breast cancer show substantial
improvements over state-of-the-art WSL methods, and confirm the effect of our
new regularizers.
- Abstract（参考訳）: weakly-supervised learning(wsl)は最近、ピクセル毎のアノテーションの欠如を緩和するため、かなりの関心を集めている。
グローバル画像ラベルが与えられた場合、wslメソッドは、クラス予測を解釈するピクセルレベルの予測(セグメンテーション)を提供する。
彼らの最近の成功は、主に自然画像によるものであるが、これらの手法は、前景と背景の領域が類似した視覚的手がかりを持つ場合に重要な課題に直面する可能性がある。
WSLトレーニングは一般的に、モデルの信頼性を暗黙的に最大化し、分類決定に関連する差別的領域を特定する、標準的な分類損失によって駆動される。
したがって、明示的に非識別領域をモデル化し、偽陽性率を減らすメカニズムが欠如している。
そこで本研究では,非識別領域と識別領域の両方を探索し,不均衡なセグメンテーションを回避できる新しい正規化項を提案する。
分類器決定に影響を及ぼさない非識別領域のローカライズ基準として高い不確実性を導入し、一様分布からの後方予測の偏差を評価するために、KL(Kulback-Leibler)分散損失を用いて記述する。
我々のKL項は、後者が潜在非識別領域を入力するとき、モデルに対する高い不確実性を促進する。
損失は統合されます
(i)クラス予測に対するモデル信頼度が高いフォアグラウンドを求めるクロスエントロピー
(ii)モデル不確実性が高い背景を求めるkl正則化器
(iii)不均衡セグメンテーションを混乱させるログバリア用語。
一般のglas結腸癌データとcamlyon16パッチベースの乳癌に対する総合的な実験およびアブレーション研究は,最新のwsl法よりも大幅に改善し,新しいレギュラライザーの効果を確認した。
関連論文リスト
- Tendency-driven Mutual Exclusivity for Weakly Supervised Incremental Semantic Segmentation [56.1776710527814]
Weakly Incremental Learning for Semantic (WILSS)は、トレーニング済みのセグメンテーションモデルを利用して、コスト効率と手軽に利用できるイメージレベルのラベルを使用して、新しいクラスをセグメンテーションする。
WILSSを解く最も一般的な方法は、各新しいクラスのシード領域の生成であり、ピクセルレベルの監視の一形態として機能する。
本研究は, 種子領域の挙動を綿密に調整した, 相互排他性に関する革新的, 傾向的関係について提案する。
論文 参考訳（メタデータ） (2024-04-18T08:23:24Z) - Do not trust what you trust: Miscalibration in Semi-supervised Learning [21.20806568508201]
最先端の半教師付き学習(SSL)アプローチは、ラベルなしサンプルのトレーニングをガイドする擬似ラベルとして機能するために、信頼性の高い予測に依存している。
擬似ラベルに基づくSSL方式は, かなり誤解されていることを示し, ミンエントロピーの最小化を正式に示す。
我々は単純なペナルティ項を統合し、ラベルのないサンプルの予測のロジットを低く保ち、ネットワーク予測が過信にならないようにする。
論文 参考訳（メタデータ） (2024-03-22T18:43:46Z) - Progressive Feature Self-reinforcement for Weakly Supervised Semantic
Segmentation [55.69128107473125]
Weakly Supervised Semantic (WSSS) のイメージレベルラベルを用いたシングルステージアプローチを提案する。
我々は、画像内容が決定論的領域(例えば、自信ある前景と背景)と不確実領域(例えば、オブジェクト境界と誤分類されたカテゴリ)に適応的に分割して、別々の処理を行う。
そこで我々は,これらの自信のある領域と同一のクラスラベルを持つ拡張画像とのセマンティック一貫性を制約する補完的な自己強調手法を提案する。
論文 参考訳（メタデータ） (2023-12-14T13:21:52Z) - Uncertainty-guided Boundary Learning for Imbalanced Social Event
Detection [64.4350027428928]
本研究では,不均衡なイベント検出タスクのための不確実性誘導型クラス不均衡学習フレームワークを提案する。
我々のモデルは、ほとんど全てのクラス、特に不確実なクラスにおいて、社会イベントの表現と分類タスクを大幅に改善する。
論文 参考訳（メタデータ） (2023-10-30T03:32:04Z) - Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。
近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。
本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
論文 参考訳（メタデータ） (2023-06-16T16:30:39Z) - Benchmarking common uncertainty estimation methods with
histopathological images under domain shift and label noise [62.997667081978825]
リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。
我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。
我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
論文 参考訳（メタデータ） (2023-01-03T11:34:36Z) - Poisson Reweighted Laplacian Uncertainty Sampling for Graph-based Active
Learning [1.6752182911522522]
グラフに基づく能動学習において,不確実性サンプリングは探索と搾取を両立させるのに十分であることを示す。
特に,最近開発されたアルゴリズムであるPoisson ReWeighted Laplace Learning (PWLL) を用いて分類を行う。
本稿では,複数のグラフに基づく画像分類問題に対する実験結果について述べる。
論文 参考訳（メタデータ） (2022-10-27T22:07:53Z) - Leveraging Uncertainty for Deep Interpretable Classification and
Weakly-Supervised Segmentation of Histology Images [25.429124017422385]
深い教師付き手法は、解釈可能性のための画像分類とROIセグメンテーションを可能にする。
これらの手法は、偽陽性率を高める非識別領域を明示的にモデル化するメカニズムを欠いている。
本研究では,非識別領域と識別領域の両方を求める新しい正規化項を提案する。
論文 参考訳（メタデータ） (2022-05-12T02:18:23Z) - Unsupervised Embedding Learning from Uncertainty Momentum Modeling [37.674449317054716]
本研究では,与えられた未ラベル学習サンプルの不確かさを明示的にモデル化し,探索する新しい手法を提案する。
このような不確実性モデリングのモーメントを学習に利用し、アウトレーヤに取り組むのに役立ちます。
論文 参考訳（メタデータ） (2021-07-19T14:06:19Z) - Entropy-Based Uncertainty Calibration for Generalized Zero-Shot Learning [49.04790688256481]
一般化ゼロショット学習(GZSL)の目的は、目に見えないクラスと見えないクラスの両方を認識することである。
ほとんどのGZSLメソッドは、通常、見えないクラスの意味情報から視覚表現を合成することを学ぶ。
本論文では,三重項損失を持つ2重変分オートエンコーダを利用する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-01-09T05:21:27Z)
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。