論文の概要: Learning image quality assessment by reinforcing task amenable data selection

• arxiv url: http://arxiv.org/abs/2102.07615v1
• Date: Mon, 15 Feb 2021 15:57:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-16 16:02:36.433002
• Title: Learning image quality assessment by reinforcing task amenable data selection
• Title（参考訳）: タスクアメニブルデータ選択の強化による画像品質評価の学習
• Authors: Shaheer U. Saeed, Yunguan Fu, Zachary M. C. Baum, Qianye Yang, Mirabela Rusu, Richard E. Fan, Geoffrey A. Sonn, Dean C. Barratt, Yipeng Hu
• Abstract要約: 画像選択のための2つのニューラルネットワークと強化学習を用いた目標タスクを同時にトレーニングすることを提案する。 コントローラネットワークは、目標タスク性能に基づいて累積報酬を最大化し、画像選択ポリシーを学習する。 トレーニングされたコントローラは、ターゲットタスクの精度低下につながるこれらのイメージを拒否することができる。
• 参考スコア（独自算出の注目度）: 0.3679364886448339
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we consider a type of image quality assessment as a task-specific measurement, which can be used to select images that are more amenable to a given target task, such as image classification or segmentation. We propose to train simultaneously two neural networks for image selection and a target task using reinforcement learning. A controller network learns an image selection policy by maximising an accumulated reward based on the target task performance on the controller-selected validation set, whilst the target task predictor is optimised using the training set. The trained controller is therefore able to reject those images that lead to poor accuracy in the target task. In this work, we show that the controller-predicted image quality can be significantly different from the task-specific image quality labels that are manually defined by humans. Furthermore, we demonstrate that it is possible to learn effective image quality assessment without using a ``clean'' validation set, thereby avoiding the requirement for human labelling of images with respect to their amenability for the task. Using $6712$, labelled and segmented, clinical ultrasound images from $259$ patients, experimental results on holdout data show that the proposed image quality assessment achieved a mean classification accuracy of $0.94\pm0.01$ and a mean segmentation Dice of $0.89\pm0.02$, by discarding $5\%$ and $15\%$ of the acquired images, respectively. The significantly improved performance was observed for both tested tasks, compared with the respective $0.90\pm0.01$ and $0.82\pm0.02$ from networks without considering task amenability. This enables image quality feedback during real-time ultrasound acquisition among many other medical imaging applications.
• Abstract（参考訳）: 本論文では, 画像の分類やセグメンテーションなど, 対象のタスクに適応できる画像を選択するために用いることができる, 課題別測定法として, 画像品質評価手法を検討する。 画像選択のための2つのニューラルネットワークと強化学習を用いた目標タスクを同時にトレーニングすることを提案する。 コントローラネットワークは、コントローラ選択された検証セット上の目標タスク性能に基づいて累積報酬を最大化し、訓練セットを用いて目標タスク予測者が最適化された画像選択ポリシーを学習する。 したがって、訓練されたコントローラは、ターゲットタスクの精度が低下する画像を拒否します。 本研究では,人間が手動で定義したタスク固有の画像品質ラベルと,コントローラが予測した画像品質が著しく異なることを示す。 さらに、``clean'' バリデーションセットを使わずに、効果的な画像品質評価を学習できることを実証し、作業の可視性に関して、画像の人間のラベル付けの要件を回避します。 259ドル(約2万5000円)の患者から6,712ドル(約6,700円)の超音波検査画像が得られた結果,ホールドアウトデータから得られた画像品質評価の結果から,取得した画像の平均分類精度は0.94\pm0.01$,平均セグメンテーションディスが0.89\pm0.02$,それぞれ$5\%$と$15\%$であることが判明した。 それぞれのネットワークの$0.90\pm0.01$と$0.82\pm0.02$と比較して,タスクの可愛さを考慮せずに,両タスクのパフォーマンスを著しく改善した。 これにより、多くの医療画像アプリケーションにおいて、リアルタイム超音波取得時の画質フィードバックが可能になる。

関連論文リスト

• Blind Image Quality Assessment via Vision-Language Correspondence: A Multitask Learning Perspective [93.56647950778357]
  ブラインド画像品質評価(BIQA)は、参照情報なしで画像品質の人間の知覚を予測する。 我々は,他のタスクからの補助的知識を活用するために,BIQAのための汎用的かつ自動化されたマルチタスク学習手法を開発した。
  論文  参考訳（メタデータ） (2023-03-27T07:58:09Z)
• Explainable Image Quality Assessment for Medical Imaging [0.0]
  質の悪い医療画像は誤診につながる可能性がある。 本稿では,説明可能な画像品質評価システムを提案し,その考え方を2つの異なる目的に対して検証する。 本研究では,サリエンシ検出器の忠実度を測定するために,様々な手法を適用した。 我々は,NormGradがObject-CXRで0.853点,LVOTデータセットで0.611点,繰り返しポイントゲームで0.853点に達することで,他のサリエンシ検出器よりも顕著に向上したことを示す。
  論文  参考訳（メタデータ） (2023-03-25T14:18:39Z)
• Mix-up Self-Supervised Learning for Contrast-agnostic Applications [33.807005669824136]
  コントラストに依存しないアプリケーションのための,最初の混合型自己教師型学習フレームワークを提案する。 クロスドメイン・ミックスアップに基づく画像間の低分散に対処し、画像再構成と透明性予測に基づくプレテキストタスクを構築する。
  論文  参考訳（メタデータ） (2022-04-02T16:58:36Z)
• mc-BEiT: Multi-choice Discretization for Image BERT Pre-training [52.04866462439979]
  Image BERT pre-training with masked image modeling (MIM)は、自己教師付き表現学習に対処する一般的な実践である。 改良されたBERTスタイルの画像事前学習手法であるmc-BEiTを導入する。
  論文  参考訳（メタデータ） (2022-03-29T09:08:18Z)
• Image quality assessment for machine learning tasks using meta-reinforcement learning [2.192555579139084]
  我々は、画像品質評価(IQA)を、与えられた下流のタスクやタスクのアメニビリティに対するイメージのアメニティの尺度とみなす。 我々は、IQAコントローラを用いてタスクのアメニビリティを予測し、ニューラルネットワークによってパラメータ化され、タスク予測器と同時にトレーニングすることができる。 X線画像における超音波ガイド下前立腺介入と肺炎検出の2つの臨床応用を用いて,課題特異的で適応可能なIQAアプローチの有効性を実証した。
  論文  参考訳（メタデータ） (2022-03-27T09:42:26Z)
• Image quality assessment by overlapping task-specific and task-agnostic measures: application to prostate multiparametric MR images for cancer segmentation [0.6109833303919139]
  医用画像における画像品質評価(IQA)は、下流の臨床的タスクを確実に行えるようにするために用いられる。 タスク固有のIQAが最近提案され、ターゲットタスク予測器と同時にイメージアメニビリティ予測コントローラを学習している。 本稿では,タスク固有のIQAアプローチの拡張として,自動エンコーディングを対象タスクとするタスク非依存IQAを提案する。
  論文  参考訳（メタデータ） (2022-02-20T11:45:58Z)
• Image Quality Assessment using Contrastive Learning [50.265638572116984]
  我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。 本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。 以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T21:01:00Z)
• One-Shot Object Affordance Detection in the Wild [76.46484684007706]
  Affordance Detectionは、画像内のオブジェクトの潜在的なアクション可能性を特定することを指す。 我々は、人間の行動目的を推定し、それを転送して、すべての候補画像から共通価格を検出するワンショットアフォーダンス検出ネットワーク(OSAD-Net)を考案する。 複雑なシーンと豊富なアノテーションによって、当社のPADv2データセットは、アベイランス検出メソッドをベンチマークするためのテストベッドとして使用することができます。
  論文  参考訳（メタデータ） (2021-08-08T14:53:10Z)
• Adaptable image quality assessment using meta-reinforcement learning of task amenability [2.499394199589254]
  現代のディープラーニングアルゴリズムは、主観的(人間に基づく)画像品質評価(IQA)に依存している タスクアメニビリティを予測するために、IQAエージェントは、同時に最適化されたタスク予測器を備えた強化学習(RL)を用いて訓練される。 本研究では、IQAエージェントとタスク予測器の両方の適応性を高めるために、転送学習または適応戦略を開発する。
  論文  参考訳（メタデータ） (2021-07-31T11:29:37Z)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)

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。