論文の概要: Learning from Partially Overlapping Labels: Image Segmentation under
Annotation Shift
- arxiv url: http://arxiv.org/abs/2107.05938v1
- Date: Tue, 13 Jul 2021 09:22:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-14 14:41:39.042668
- Title: Learning from Partially Overlapping Labels: Image Segmentation under
Annotation Shift
- Title(参考訳): 部分重なるラベルからの学習:アノテーションシフトによる画像分割
- Authors: Gregory Filbrandt, Konstantinos Kamnitsas, David Bernstein, Alexandra
Taylor, Ben Glocker
- Abstract要約: 腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。
半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
- 参考スコア(独自算出の注目度): 68.6874404805223
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scarcity of high quality annotated images remains a limiting factor for
training accurate image segmentation models. While more and more annotated
datasets become publicly available, the number of samples in each individual
database is often small. Combining different databases to create larger amounts
of training data is appealing yet challenging due to the heterogeneity as a
result of differences in data acquisition and annotation processes, often
yielding incompatible or even conflicting information. In this paper, we
investigate and propose several strategies for learning from partially
overlapping labels in the context of abdominal organ segmentation. We find that
combining a semi-supervised approach with an adaptive cross entropy loss can
successfully exploit heterogeneously annotated data and substantially improve
segmentation accuracy compared to baseline and alternative approaches.
- Abstract(参考訳): 高品質な注釈付き画像の不足は、正確な画像分割モデルの訓練の限界要素である。
より多くの注釈付きデータセットが公開されているが、個々のデータベース内のサンプル数は少ないことが多い。
異なるデータベースを組み合わせて大量のトレーニングデータを作成することは、データ取得とアノテーションプロセスの違いによる異質性のため、しばしば互換性のない情報や矛盾する情報を生み出すため、非常に難しい。
本稿では,腹部臓器分節の文脈におけるラベルの重なりから学ぶためのいくつかの戦略について検討し,提案する。
半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一なアノテートデータを活用することができ、ベースラインや代替手法と比較してセグメンテーション精度を大幅に向上させることができる。
関連論文リスト
- SLRNet: Semi-Supervised Semantic Segmentation Via Label Reuse for Human
Decomposition Images [5.560471251954644]
既存の類似性を利用してデータセットのラベルなし画像のラベルを再利用する半教師付き手法を提案する。
我々は,人間の分解画像の大規模なデータセット上で本手法を評価し,概念的には単純ながら,最先端の整合性に優れることを確認した。
論文 参考訳(メタデータ) (2022-02-24T04:58:02Z) - Reasoning for Complex Data through Ensemble-based Self-Supervised
Learning [77.49763012201429]
最近の研究は、基礎となるクラスが意味的に大きな違いがある場合、印象的な結果を示している。
一般的な自己教師付き学習手法は、クラスがより近いセマンティクスを持つ場合、識別的特徴を学習できない。
本稿では,この課題に対処し,異なるクラスからのサンプルが顕著に多様性がない場合でも,ラベルのないデータから学習できるようにする戦略を提案する。
論文 参考訳(メタデータ) (2022-02-07T13:08:11Z) - Learning Debiased and Disentangled Representations for Semantic
Segmentation [52.35766945827972]
セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。
各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。
提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
論文 参考訳(メタデータ) (2021-10-31T16:15:09Z) - Data, Assemble: Leveraging Multiple Datasets with Heterogeneous and
Partial Labels [75.45394991863668]
は、データセットのアセンブリから部分的にラベル付けされたデータの完全な可能性を解き放つことを目的としている。
また,「ネガティブな例」からの学習が関心のクラス分類とセグメンテーションを促進することを示す。
我々のモデルはマイノリティ階級の病気を識別する上で特に強力であり、平均して3ポイント以上の改善をもたらす。
論文 参考訳(メタデータ) (2021-09-25T02:48:17Z) - Semi-weakly Supervised Contrastive Representation Learning for Retinal
Fundus Images [0.2538209532048867]
本稿では,半弱化アノテーションを用いた表現学習のための,半弱化教師付きコントラスト学習フレームワークを提案する。
SWCLの移動学習性能を7つの公立網膜眼底データセットで実証的に検証した。
論文 参考訳(メタデータ) (2021-08-04T15:50:09Z) - 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) - 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) - Importance of Self-Consistency in Active Learning for Semantic
Segmentation [31.392212891018655]
我々は,少数のラベル付きデータにのみアクセス可能なデータ駆動モデルの性能を向上させるために,自己整合性は自己超越の強力な情報源となることを示す。
提案するアクティブラーニングフレームワークでは,ラベル付けが必要な小さな画像パッチを反復的に抽出する。
現在のモデルが最も分類に苦労しているイメージパッチを見つけることができます。
論文 参考訳(メタデータ) (2020-08-04T22:18:35Z)
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。