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: 翻訳完了
• 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

• NSegment : Noisy Segment Improves Remote Sensing Image Segmentation [10.585761836168409]
  リモートセンシング(RS)画像セグメンテーションデータセットのラベル付けエラーは、曖昧なクラス境界、混合ピクセル、影、複雑な地形の特徴、主観的アノテータバイアスのため、暗黙的かつ微妙なままであることが多い。 NSegmentは、この問題を軽減するために、シンプルだが効果的なデータ拡張ソリューションである。 従来の方法とは異なり、セグメンテーションラベルのみに弾性変換を適用し、各トレーニングエポックにおける各サンプル毎の強度を変化させて、アノテーションの不整合に対処する。
  論文  参考訳（メタデータ） (2025-04-28T09:49:35Z)
• Partially Supervised Unpaired Multi-Modal Learning for Label-Efficient Medical Image Segmentation [53.723234136550055]
  我々は、新しい学習パラダイムを部分教師付き無ペア型マルチモーダルラーニング(PSUMML)と呼ぶ。 そこで我々は,DEST (Ensembled Self-Training) フレームワークを用いた新しい部分クラス適応法を提案する。 我々のフレームワークは、部分的にラベル付けされていないマルチモーダルデータを用いて学習するためのモダリティ特定正規化層を持つコンパクトなセグメンテーションネットワークで構成されている。
  論文  参考訳（メタデータ） (2025-03-07T07:22:42Z)
• Guidelines for Cerebrovascular Segmentation: Managing Imperfect Annotations in the context of Semi-Supervised Learning [3.231698506153459]
  教師付き学習法は、十分な量のラベル付きデータを入力した場合に優れた性能を達成する。 このようなラベルは一般的に、非常に時間がかかり、エラーが発生し、製造コストがかかる。 半教師付き学習アプローチはラベル付きデータとラベルなしデータの両方を活用する。
  論文  参考訳（メタデータ） (2024-04-02T09:31:06Z)
• Self-similarity Driven Scale-invariant Learning for Weakly Supervised Person Search [66.95134080902717]
  自己相似性駆動型スケール不変学習(SSL)という新しいワンステップフレームワークを提案する。 本稿では,ネットワークを前景と学習スケール不変の機能に集中させるための,マルチスケール・エクステンプラー・ブランチを提案する。 PRWおよびCUHK-SYSUデータベースの実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-02-25T04:48:11Z)
• Consistency Regularisation in Varying Contexts and Feature Perturbations for Semi-Supervised Semantic Segmentation of Histology Images [14.005379068469361]
  この課題を軽減するために,一貫性に基づく半教師付き学習(SSL)アプローチを提案する。 SSLモデルは、コンテキストの変更や、限られたトレーニングデータのために一般化が不十分な特徴の摂動にも影響する可能性がある。 相互整合性トレーニングにより、エンコーダの特徴が異なる摂動に不変となり、予測信頼性が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-30T18:21:57Z)
• Dense FixMatch: a simple semi-supervised learning method for pixel-wise prediction tasks [68.36996813591425]
  Dense FixMatchは,高密度かつ構造化された予測タスクのオンライン半教師付き学習のための簡易な手法である。 我々は、擬似ラベルにマッチング操作を追加することにより、画像分類を超えた半教師付き学習問題にFixMatchの適用を可能にする。 Dense FixMatchは、ラベル付きデータのみを使用して教師付き学習と比較すると、結果を著しく改善し、ラベル付きサンプルの1/4でそのパフォーマンスに近づいた。
  論文  参考訳（メタデータ） (2022-10-18T15:02:51Z)
• 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)
• 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)
• 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)

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。