論文の概要: Semantic Segmentation with Labeling Uncertainty and Class Imbalance

• arxiv url: http://arxiv.org/abs/2102.04566v1
• Date: Mon, 8 Feb 2021 22:53:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-10 15:04:38.764158
• Title: Semantic Segmentation with Labeling Uncertainty and Class Imbalance
• Title（参考訳）: ラベリング不確実性とクラス不均衡を伴ったセマンティックセグメンテーション
• Authors: Patrik Ol\~a Bressan, Jos\'e Marcato Junior, Jos\'e Augusto Correa Martins, Diogo Nunes Gon\c{c}alves, Daniel Matte Freitas, Lucas Prado Osco, Jonathan de Andrade Silva, Zhipeng Luo, Jonathan Li, Raymundo Cordero Garcia, Wesley Nunes Gon\c{c}alves
• Abstract要約: 本稿では,ラベル付け過程のクラスや不確実性を考慮し,各画素の重みを算出する手法を提案する。 画素単位の重みは、トレーニング中に、画素の重要性を増減するために使用される。
• 参考スコア（独自算出の注目度）: 19.512800180525087
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recently, methods based on Convolutional Neural Networks (CNN) achieved impressive success in semantic segmentation tasks. However, challenges such as the class imbalance and the uncertainty in the pixel-labeling process are not completely addressed. As such, we present a new approach that calculates a weight for each pixel considering its class and uncertainty during the labeling process. The pixel-wise weights are used during training to increase or decrease the importance of the pixels. Experimental results show that the proposed approach leads to significant improvements in three challenging segmentation tasks in comparison to baseline methods. It was also proved to be more invariant to noise. The approach presented here may be used within a wide range of semantic segmentation methods to improve their robustness.
• Abstract（参考訳）: 近年,畳み込みニューラルネットワーク(CNN)に基づく手法が,セマンティックセグメンテーションタスクにおいて顕著な成功を収めている。 しかし、クラス不均衡やピクセルラベルプロセスにおける不確実性などの課題は完全には対処されていない。 そこで,ラベリングプロセスにおけるクラスと不確実性を考慮して,各画素の重みを計算する新たな手法を提案する。 ピクセル単位の重みはトレーニング中にピクセルの重要性を増減するために使用される。 実験結果から,提案手法はベースライン法と比較して,3つの課題分割課題において大きな改善をもたらすことが示された。 また、ノイズに対してより不変であることが証明された。 ここで示されるアプローチは、その堅牢性を改善するために、幅広いセマンティックセグメンテーション方法の中で使用することができる。

関連論文リスト

• Instance-wise Uncertainty for Class Imbalance in Semantic Segmentation [4.147659576493158]
  最先端の手法はますます深層学習モデルに依存しており、不確実性を誤って推定し、予測を過度に信ずることが知られている。 これは、固有のクラス不均衡のため、セマンティックセグメンテーションにおいて特に問題となる。 セマンティックセグメンテーションに特化して設計された新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-17T14:38:32Z)
• Breaking the Barrier: Selective Uncertainty-based Active Learning for Medical Image Segmentation [5.5575224613422725]
  アクティブラーニング(AL)は、アノテーションのワークロードを軽減し、パフォーマンスを向上させることを目的として、医用画像セグメンテーションに広く応用されている。 選択不確実性に基づくAL(Selective Uncertainty-based AL)と呼ばれる新しいアプローチを導入する。 提案手法は,5つの不確実性に基づく手法と2つの異なるデータセットにまたがって大幅に改善された。
  論文  参考訳（メタデータ） (2024-01-29T16:59:39Z)
• Learning Semantic Segmentation with Query Points Supervision on Aerial Images [57.09251327650334]
  セマンティックセグメンテーションアルゴリズムを学習するための弱教師付き学習アルゴリズムを提案する。 提案手法は正確なセマンティックセグメンテーションを行い,手作業のアノテーションに要するコストと時間を大幅に削減することで効率を向上する。
  論文  参考訳（メタデータ） (2023-09-11T14:32:04Z)
• NP-SemiSeg: When Neural Processes meet Semi-Supervised Semantic Segmentation [87.50830107535533]
  半教師付きセマンティックセグメンテーションでは、トレーニング時にピクセルワイズラベルをラベル付けされていない画像に割り当てる。 モデルによるクラスワイズ確率分布から各画素の擬似ラベルを予測し,半教師付きセマンティックセマンティックセマンティクスへのアプローチ 本研究では,NPを半教師付きセマンティックセグメンテーションに適応させることにより一歩前進し,NP-SemiSegと呼ばれる新しいモデルを実現する。
  論文  参考訳（メタデータ） (2023-08-05T12:42:15Z)
• Incremental Learning in Semantic Segmentation from Image Labels [18.404068463921426]
  既存のセマンティックセグメンテーションアプローチは印象的な結果を得るが、新しいカテゴリが発見されるにつれてモデルを漸進的に更新することは困難である。 本稿では、安価で広く利用可能な画像レベルのラベルから新しいクラスを分類することを目的とした、Weakly Incremental Learning for Semanticsのための新しいフレームワークを提案する。 擬似ラベルをオフラインで生成する既存のアプローチとは対照的に、画像レベルのラベルで訓練され、セグメンテーションモデルで正規化される補助分類器を使用して、擬似スーパービジョンをオンラインで取得し、モデルを漸進的に更新する。
  論文  参考訳（メタデータ） (2021-12-03T12:47:12Z)
• Superpixel-guided Iterative Learning from Noisy Labels for Medical Image Segmentation [24.557755528031453]
  セグメンテーションネットワークの雑音認識学習とノイズラベル改善を組み合わせた,頑健な反復学習戦略を開発する。 2つのベンチマーク実験により,本手法は最近の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-21T14:27:36Z)
• 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)
• Semi-supervised Semantic Segmentation with Directional Context-aware Consistency [66.49995436833667]
  我々は、ラベル付きデータの小さなセットに、全くラベル付けされていない画像のより大きなコレクションを提供する半教師付きセグメンテーション問題に焦点をあてる。 好ましいハイレベル表現は、自己認識を失わずにコンテキスト情報をキャプチャするべきである。 我々は,DCロス(Directional Contrastive Loss)を画素対ピクセルの整合性を達成するために提示する。
  論文  参考訳（メタデータ） (2021-06-27T03:42:40Z)
• A Closer Look at Self-training for Zero-Label Semantic Segmentation [53.4488444382874]
  トレーニング中に見られないクラスをセグメント化できることは、ディープラーニングにおいて重要な技術的課題です。 事前のゼロラベルセマンティクスセグメンテーションは、ビジュアル・セマンティクスの埋め込みや生成モデルを学ぶことによってこのタスクにアプローチする。 本研究では,同一画像の異なる増分から生じる擬似ラベルの交点を取り出し,ノイズの多い擬似ラベルをフィルタリングする整合性正規化器を提案する。
  論文  参考訳（メタデータ） (2021-04-21T14:34:33Z)
• Contrastive Rendering for Ultrasound Image Segmentation [59.23915581079123]
  米国の画像にシャープな境界がないことは、セグメンテーションに固有の課題である。 我々は,US画像における境界推定を改善するための,新しい,効果的なフレームワークを提案する。 提案手法は最先端の手法より優れており,臨床応用の可能性も高い。
  論文  参考訳（メタデータ） (2020-10-10T07:14:03Z)

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。