論文の概要: ASC-Net : Adversarial-based Selective Network for Unsupervised Anomaly Segmentation

• arxiv url: http://arxiv.org/abs/2103.03664v1
• Date: Fri, 5 Mar 2021 13:38:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-08 14:55:11.174633
• Title: ASC-Net : Adversarial-based Selective Network for Unsupervised Anomaly Segmentation
• Title（参考訳）: ASC-Net : 教師なし異常セグメンテーションのためのアドバイザリベース選択ネットワーク
• Authors: Raunak Dey and Yi Hong
• Abstract要約: 本稿では、敵対学習を利用して画像を2つのカットに分割するニューラルネットワークフレームワークを提案する。 本研究では,BraTS脳腫瘍分節,LiTS肝病変分節,MS-SEG2015分節の非監視学習モデルを評価した。
• 参考スコア（独自算出の注目度）: 4.987581730476023
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a neural network framework, utilizing adversarial learning to partition an image into two cuts, with one cut falling into a reference distribution provided by the user. This concept tackles the task of unsupervised anomaly segmentation, which has attracted increasing attention in recent years due to their broad applications in tasks with unlabelled data. This Adversarial-based Selective Cutting network (ASC-Net) bridges the two domains of cluster-based deep learning methods and adversarial-based anomaly/novelty detection algorithms. We evaluate this unsupervised learning model on BraTS brain tumor segmentation, LiTS liver lesion segmentation, and MS-SEG2015 segmentation tasks. Compared to existing methods like the AnoGAN family, our model demonstrates tremendous performance gains in unsupervised anomaly segmentation tasks. Although there is still room to further improve performance compared to supervised learning algorithms, the promising experimental results shed light on building an unsupervised learning algorithm using user-defined knowledge.
• Abstract（参考訳）: 本稿では,画像の分割を2つのカットに分割し,一方のカットをユーザが提供した参照分布に落とし込む,ニューラルネットワークフレームワークを提案する。 この概念は教師なし異常セグメンテーション(unsupervised anomaly segmentation)の課題に対処し、近年はラベルなしデータを持つタスクに広く応用されているため、注目を集めている。 この適応型選択カットネットワーク(ASC-Net)は、クラスタベースのディープラーニング手法と、対向型異常・異常検出アルゴリズムの2つの領域を橋渡しする。 本研究では,BraTS脳腫瘍分節,LiTS肝病変分節,MS-SEG2015分節の非監視学習モデルを評価した。 AnoGANファミリーのような既存の手法と比較して、教師なしの異常セグメンテーションタスクにおいて、我々のモデルは大きなパフォーマンス向上を示す。 教師付き学習アルゴリズムと比較してさらにパフォーマンスを向上させる余地はあるが、有望な実験結果は、ユーザ定義の知識を用いた教師なし学習アルゴリズムの構築に光を当てた。

関連論文リスト

• Chan-Vese Attention U-Net: An attention mechanism for robust segmentation [7.159201285824689]
  標準CNNアーキテクチャによって与えられるセグメンテーションマスクをより正確に制御するために,Chan-Veseエネルギー最小化を用いた新しいアテンションゲートを提案する。 本研究により,ニューラルネットワークが保持する空間情報を関心領域で観測し,二分節分割における競合結果を得ることができた。
  論文  参考訳（メタデータ） (2023-06-28T11:00:57Z)
• Scribble-supervised Cell Segmentation Using Multiscale Contrastive Regularization [9.849498498869258]
  Scribble2Label (S2L) は、一握りのスクリブルと自己教師付き学習を使用することで、完全なアノテーションなしで正確なセグメンテーション結果を生成することを示した。 本研究では,S2Lに対して,新しいマルチスケールコントラスト正規化項を用いる。 主なアイデアは、ニューラルネットワークの中間層から特徴を抽出して、さまざまなスケールの構造を効果的に分離できるようにすることである。
  論文  参考訳（メタデータ） (2023-06-25T06:00:33Z)
• Cross-supervised Dual Classifiers for Semi-supervised Medical Image Segmentation [10.18427897663732]
  半教師付き医用画像分割は、大規模医用画像解析に有望な解決策を提供する。 本稿では、二重分類器(DC-Net)に基づくクロス教師あり学習フレームワークを提案する。 LAとPancreas-CTデータセットの実験は、DC-Netが半教師付きセグメンテーションの他の最先端手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-05-25T16:23:39Z)
• Unsupervised Dense Nuclei Detection and Segmentation with Prior Self-activation Map For Histology Images [5.3882963853819845]
  事前自己アクティベーションモジュール(PSM)を用いた自己教師型学習手法を提案する。 PSMは入力画像から自己活性化マップを生成し、ラベル付けコストを回避し、下流タスク用の擬似マスクを生成する。 他の完全教師付き・弱教師付き手法と比較して,本手法は手動アノテーションを使わずに競争性能を達成できる。
  論文  参考訳（メタデータ） (2022-10-14T14:34:26Z)
• ASC-Net: Unsupervised Medical Anomaly Segmentation Using an Adversarial-based Selective Cutting Network [6.866602076456783]
  逆数ベース選択切断ネットワーク(ASC-Net)は、クラスタベースのディープセグメンテーションと、逆数ベース異常検出アルゴリズムの2つの領域を橋渡しする。 ASC-Netは正常および異常な医療スキャンから学習し、監視用のマスクを使わずに医療スキャンの異常を分類する。 既存の手法と比較すると,教師なしの異常セグメンテーションタスクでは,性能が著しく向上することがわかった。
  論文  参考訳（メタデータ） (2021-12-16T06:19:32Z)
• Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
  本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。 その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-15T09:50:25Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Flip Learning: Erase to Segment [65.84901344260277]
  弱い教師付きセグメンテーション(WSS)は、時間と面倒な手作業のアノテーションを減らすのに役立ちます。 ボックスアノテーションのみを必要とするFlip Learningという,斬新で汎用的なWSSフレームワークを提案する。 提案手法は,完全教師付き学習と弱教師付き学習のギャップを狭める大きな可能性を示す。
  論文  参考訳（メタデータ） (2021-08-02T09:56:10Z)
• 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)
• Generalized Zero-Shot Learning Via Over-Complete Distribution [79.5140590952889]
  そこで本稿では,CVAE (Conditional Variational Autoencoder) を用いたOCD(Over-Complete Distribution) の生成を提案する。 フレームワークの有効性は,Zero-Shot LearningプロトコルとGeneralized Zero-Shot Learningプロトコルの両方を用いて評価する。
  論文  参考訳（メタデータ） (2020-04-01T19:05:28Z)
• Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
  本稿では,不対向画像分割のための新しい学習手法を提案する。 提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。 我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。