論文の概要: Dual-Branch Network with Dual-Sampling Modulated Dice Loss for Hard Exudate Segmentation from Colour Fundus Images

• arxiv url: http://arxiv.org/abs/2012.01665v2
• Date: Thu, 6 May 2021 06:59:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-24 03:45:30.285186
• Title: Dual-Branch Network with Dual-Sampling Modulated Dice Loss for Hard Exudate Segmentation from Colour Fundus Images
• Title（参考訳）: カラーファウンダス画像からの硬部押出音セグメンテーションのためのデュアルサンプリング変調サイスロスを用いたデュアルブランチネットワーク
• Authors: Qing Liu, Haotian Liu, Yixiong Liang
• Abstract要約: 本稿では、二重サンプリング変調Dice損失を持つデュアルブランチネットワークを提案する。 それは2つの枝から成っている: 大きな硬外在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在在 大規模硬解法は, 小型硬解法よりも容易に同定できるので, 難易度の高い学習戦略を提案する。
• 参考スコア（独自算出の注目度）: 6.872169718634854
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated segmentation of hard exudates in colour fundus images is a challenge task due to issues of extreme class imbalance and enormous size variation. This paper aims to tackle these issues and proposes a dual-branch network with dual-sampling modulated Dice loss. It consists of two branches: large hard exudate biased learning branch and small hard exudate biased learning branch. Both of them are responsible for their own duty separately. Furthermore, we propose a dual-sampling modulated Dice loss for the training such that our proposed dual-branch network is able to segment hard exudates in different sizes. In detail, for the first branch, we use a uniform sampler to sample pixels from predicted segmentation mask for Dice loss calculation, which leads to this branch naturally be biased in favour of large hard exudates as Dice loss generates larger cost on misidentification of large hard exudates than small hard exudates. For the second branch, we use a re-balanced sampler to oversample hard exudate pixels and undersample background pixels for loss calculation. In this way, cost on misidentification of small hard exudates is enlarged, which enforces the parameters in the second branch fit small hard exudates well. Considering that large hard exudates are much easier to be correctly identified than small hard exudates, we propose an easy-to-difficult learning strategy by adaptively modulating the losses of two branches. We evaluate our proposed method on two public datasets and results demonstrate that ours achieves state-of-the-art performances.
• Abstract（参考訳）: カラーファウンデーション画像における硬質押出物の自動分割は,極端なクラス不均衡と巨大なサイズ変動の問題から,課題となっている。 本稿では,これらの課題に対処し,デュアルサンプリング変調ダイス損失を持つデュアルブランチネットワークを提案する。 それは2つの枝から成っている: 大きな硬口述語学習枝と小さな硬口述語学習枝である。 2人はそれぞれ独自の義務を負っている。 さらに,提案するデュアルブランチネットワークは,異なるサイズでハードエクスキュートをセグメント化できるように,トレーニングのためのデュアルサンプリング変調ダイス損失を提案する。 詳しくは,第1分枝について,予測セグメンテーションマスクから一様な試料をサンプリングしてDiceの損失計算を行い,この分枝を自然にバイアスし,Diceの損失が小さな硬口径よりも大きな硬口径を誤同定するコストを発生させるので,大きな硬口径を優先する。 第2分枝では、再平衡サンプリング器を用いてハードエミッション画素をオーバーサンプリングし、背景画素をアンダーサンプリングして損失計算を行う。 このようにして、小さな硬口径の誤同定のコストが増大し、第二分枝のパラメータが小さい硬口径によく適合する。 そこで本研究では, 2つの枝の損失を適応的に調整することで, 難易度の高い難易度学習戦略を提案する。 提案手法を2つの公開データセット上で評価し,その性能を実証した。

関連論文リスト

• Simplifying DINO via Coding Rate Regularization [74.88963795406733]
  DINOとDINOv2は、大規模にラベル付けされていない画像データから表現を学ぶために広く使われている2つのモデルファミリーである。 この研究は、設計原則をシンプルにすることで、ディープラーニングの実証的な実践を改善する可能性を強調します。
  論文  参考訳（メタデータ） (2025-02-14T18:58:04Z)
• Scale-aware Super-resolution Network with Dual Affinity Learning for Lesion Segmentation from Medical Images [50.76668288066681]
  低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。 提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
  論文  参考訳（メタデータ） (2023-05-30T14:25:55Z)
• Boosting Few-shot Fine-grained Recognition with Background Suppression and Foreground Alignment [53.401889855278704]
  FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。 本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。 複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-04T07:54:40Z)
• Mixed-supervised segmentation: Confidence maximization helps knowledge distillation [24.892332859630518]
  本研究では,ディープニューラルネットワークのためのデュアルブランチアーキテクチャを提案する。 上枝(教師)は強い注釈を受け、下枝(学生)は限られた監督によって駆動され、上枝が指導する。 エントロピーとKLの発散の相乗効果は性能を著しく向上させることを示した。
  論文  参考訳（メタデータ） (2021-09-21T20:06:13Z)
• D2C-SR: A Divergence to Convergence Approach for Image Super-Resolution [25.17545119739454]
  画像超解像(SR)のための新しいフレームワークD2C-SRを提案する。 SRFlowのような最近の作品に触発され、私たちはこの問題を半確率的に対処します。 実験により,PSNRおよびSSIMにおけるD2C-SRの性能は,計算コストが大幅に低減された。
  論文  参考訳（メタデータ） (2021-03-26T10:20:28Z)
• Recurrent Multi-view Alignment Network for Unsupervised Surface Registration [79.72086524370819]
  非厳格な登録をエンドツーエンドで学習することは、本質的に高い自由度とラベル付きトレーニングデータの欠如により困難である。 我々は、いくつかの剛性変換のポイントワイドな組み合わせで、非剛性変換を表現することを提案する。 また,投影された多視点2次元深度画像上での3次元形状の類似度を計測する可微分損失関数も導入する。
  論文  参考訳（メタデータ） (2020-11-24T14:22:42Z)
• ARM: A Confidence-Based Adversarial Reweighting Module for Coarse Semantic Segmentation [43.49913914787921]
  本稿では,既存の粗いアノテーションを活用するための信頼度に基づく再重み付け手法を提案する。 我々は、この戦略をARM(Adversarial Reweighting Module)に一般化し、その収束を厳密に証明する。 ARMは粗いラベルの都市景観のmIoUを大幅に改善し、ADE20KデータセットのmIoUを47.50に増やした。
  論文  参考訳（メタデータ） (2020-09-11T02:31:46Z)
• Dynamic Dual-Attentive Aggregation Learning for Visible-Infrared Person Re-Identification [208.1227090864602]
  Visible-infrared person re-identification (VI-ReID) は、歩行者検索の課題である。 既存のVI-ReID法は、識別可能性に制限があり、ノイズの多い画像に対して弱いロバスト性を持つグローバル表現を学習する傾向にある。 そこで我々は,VI-ReIDのための動的二段階集合(DDAG)学習法を提案する。
  論文  参考訳（メタデータ） (2020-07-18T03:08:13Z)
• Doubly-stochastic mining for heterogeneous retrieval [74.43785301907276]
  現代の検索問題は、数十億のラベルを持つトレーニングセットによって特徴づけられる。 ラベルの数が多ければ、単一の例であっても標準的な損失を最適化することは困難である。 両課題に対処するため, 二重確率地雷 (S2M) を提案する。
  論文  参考訳（メタデータ） (2020-04-23T00:43:13Z)

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。