論文の概要: Hierarchical Semantic Segmentation using Psychometric Learning

• arxiv url: http://arxiv.org/abs/2107.03212v1
• Date: Wed, 7 Jul 2021 13:38:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-08 14:15:51.699009
• Title: Hierarchical Semantic Segmentation using Psychometric Learning
• Title（参考訳）: 心理計測学習を用いた階層的意味セグメンテーション
• Authors: Lu Yin, Vlado Menkovski, Shiwei Liu, Mykola Pechenizkiy
• Abstract要約: 我々は,心理測定テストに基づいて,専門家からセグメンテーションアノテーションを収集する手法を開発した。 本手法は, 心理測定試験, アクティブクエリ選択, クエリ強化, ディープメトリック学習モデルから構成される。 本稿では, 合成画像, 空中画像, 組織像について評価し, 提案手法の有用性を示す。
• 参考スコア（独自算出の注目度）: 17.417302703539367
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Assigning meaning to parts of image data is the goal of semantic image segmentation. Machine learning methods, specifically supervised learning is commonly used in a variety of tasks formulated as semantic segmentation. One of the major challenges in the supervised learning approaches is expressing and collecting the rich knowledge that experts have with respect to the meaning present in the image data. Towards this, typically a fixed set of labels is specified and experts are tasked with annotating the pixels, patches or segments in the images with the given labels. In general, however, the set of classes does not fully capture the rich semantic information present in the images. For example, in medical imaging such as histology images, the different parts of cells could be grouped and sub-grouped based on the expertise of the pathologist. To achieve such a precise semantic representation of the concepts in the image, we need access to the full depth of knowledge of the annotator. In this work, we develop a novel approach to collect segmentation annotations from experts based on psychometric testing. Our method consists of the psychometric testing procedure, active query selection, query enhancement, and a deep metric learning model to achieve a patch-level image embedding that allows for semantic segmentation of images. We show the merits of our method with evaluation on the synthetically generated image, aerial image and histology image.
• Abstract（参考訳）: 画像データの一部に意味を割り当てることが意味的イメージセグメンテーションの目標である。 機械学習手法、特に教師付き学習は、セマンティックセグメンテーションとして定式化された様々なタスクで一般的に使用される。 教師付き学習アプローチにおける大きな課題の1つは、画像データに存在する意味に関して専門家が持つ豊富な知識を表現し、収集することである。 これに対して、通常はラベルの固定セットが指定され、専門家は与えられたラベルで画像のピクセル、パッチ、セグメントに注釈を付ける。 しかし一般に、クラスの集合は画像に存在する豊富な意味情報を完全に捉えていない。 例えば、病理画像などの医用画像では、細胞の様々な部分が病理学者の専門知識に基づいてグループ化され、サブグループ化される。 画像における概念の正確な意味表現を実現するには、アノテーションの知識の完全な深さにアクセスする必要がある。 本研究では,サイコメトリックテストに基づくセグメンテーションアノテーションを専門家から収集する手法を開発した。 本手法は, 画像のセマンティックセグメンテーションを可能にするパッチレベルの画像埋め込みを実現するために, 心理測定テスト手順, アクティブクエリ選択, クエリ拡張, ディープメトリック学習モデルから構成される。 本稿では, 合成画像, 空中画像, 組織像について評価し, 提案手法の有用性を示す。

関連論文リスト

• Semi-Supervised Semantic Segmentation Based on Pseudo-Labels: A Survey [49.47197748663787]
  本総説は, 半教師付きセマンティックセグメンテーション分野における擬似ラベル手法に関する最新の研究成果について, 包括的かつ組織的に概観することを目的としている。 さらに,医用およびリモートセンシング画像のセグメンテーションにおける擬似ラベル技術の適用について検討する。
  論文  参考訳（メタデータ） (2024-03-04T10:18:38Z)
• 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)
• HIRL: A General Framework for Hierarchical Image Representation Learning [54.12773508883117]
  階層型画像表現学習(HIRL)のための一般的なフレームワークを提案する。 このフレームワークは、各画像の複数の意味表現を学習することを目的としており、これらの表現は、細粒度から粗粒度まで画像意味をエンコードするように構成されている。 確率的因子化に基づいて、HIRLはオフザシェルフ画像SSLアプローチにより最もきめ細かいセマンティクスを学習し、新しいセマンティクスパス識別方式により複数の粗いセマンティクスを学習する。
  論文  参考訳（メタデータ） (2022-05-26T05:13:26Z)
• Semi-supervised Contrastive Learning for Label-efficient Medical Image Segmentation [11.935891325600952]
  そこで本研究では,限定的な画素単位のアノテーションを利用して,同じラベルの画素を埋め込み空間に集めるために,教師付き局所的コントラスト損失を提案する。 ラベル付きデータの量が異なるため、我々の手法は、最先端のコントラストベースの手法や他の半教師付き学習技術よりも一貫して優れている。
  論文  参考訳（メタデータ） (2021-09-15T16:23:48Z)
• Self-Ensembling Contrastive Learning for Semi-Supervised Medical Image Segmentation [6.889911520730388]
  限られたラベルを持つ医用画像セグメンテーションにおける半教師あり学習の性能向上を目指す。 我々は、ラベルのない画像に対照的な損失を与えることによって、特徴レベルで潜在表現を直接学習する。 我々はMRIとCTのセグメンテーションデータセットの実験を行い、提案手法が最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-05-27T03:27:58Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation [128.03739769844736]
  2つのニューラルコアテンションを分類器に組み込んで、画像間のセマンティックな類似点と相違点をキャプチャする。 オブジェクトパターン学習の強化に加えて、コアテンションは他の関連する画像からのコンテキストを活用して、ローカライズマップの推論を改善することができる。 提案アルゴリズムは,これらすべての設定に対して新たな最先端性を設定し,その有効性と一般化性を示す。
  論文  参考訳（メタデータ） (2020-07-03T21:53:46Z)
• Learning unbiased zero-shot semantic segmentation networks via transductive transfer [14.55508599873219]
  ゼロショットセマンティックセグメンテーションにおける予測バイアスを軽減するために, 簡単に実装可能なトランスダクティブ手法を提案する。 本手法は,全画素レベルのラベルを持つソースイメージと,未ラベルのターゲットイメージの両方をトレーニング中に利用できると仮定する。
  論文  参考訳（メタデータ） (2020-07-01T14:25:13Z)
• Hierarchical Image Classification using Entailment Cone Embeddings [68.82490011036263]
  まずラベル階層の知識を任意のCNNベースの分類器に注入する。 画像からの視覚的セマンティクスと組み合わせた外部セマンティクス情報の利用が全体的な性能を高めることを実証的に示す。
  論文  参考訳（メタデータ） (2020-04-02T10:22:02Z)
• Deep Semantic Segmentation of Natural and Medical Images: A Review [17.620924936500725]
  セマンティックイメージセグメンテーションタスクは、画像の各ピクセルをインスタンスに分類し、各インスタンスがクラスに対応する。 医用画像分析領域において、画像分割は、画像誘導的介入、放射線治療、または改善された放射線診断に使用できる。 本稿では,深層学習に基づく医用・非医療用イメージセグメンテーションソリューションを,深層アーキテクチャ,データ合成,損失関数に基づくシーケンスモデル,弱教師付き手法,マルチタスク方式の6つの主要なグループに分類する。
  論文  参考訳（メタデータ） (2019-10-16T06:35:50Z)

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。