論文の概要: Cell Detection from Imperfect Annotation by Pseudo Label Selection Using P-classification

• arxiv url: http://arxiv.org/abs/2107.09289v2
• Date: Wed, 21 Jul 2021 04:28:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-22 11:18:04.644451
• Title: Cell Detection from Imperfect Annotation by Pseudo Label Selection Using P-classification
• Title（参考訳）: P分類を用いた擬似ラベル選択による不完全アノテーションからの細胞検出
• Authors: Kazuma Fujii, Daiki Suehiro, Kazuya Nishimura, Ryoma Bise
• Abstract要約: 不完全な注釈付きデータからの細胞検出のための擬似ラベリング手法を提案する。 このようなラベル付きデータを用いてトレーニングされた検出畳み込みニューラルネットワーク(CNN)は、しばしば過剰検出を生成する。 5つの異なる条件における顕微鏡画像を用いた実験により,提案手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 9.080472817672264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cell detection is an essential task in cell image analysis. Recent deep learning-based detection methods have achieved very promising results. In general, these methods require exhaustively annotating the cells in an entire image. If some of the cells are not annotated (imperfect annotation), the detection performance significantly degrades due to noisy labels. This often occurs in real collaborations with biologists and even in public data-sets. Our proposed method takes a pseudo labeling approach for cell detection from imperfect annotated data. A detection convolutional neural network (CNN) trained using such missing labeled data often produces over-detection. We treat partially labeled cells as positive samples and the detected positions except for the labeled cell as unlabeled samples. Then we select reliable pseudo labels from unlabeled data using recent machine learning techniques; positive-and-unlabeled (PU) learning and P-classification. Experiments using microscopy images for five different conditions demonstrate the effectiveness of the proposed method.
• Abstract（参考訳）: 細胞検出は細胞画像解析において重要な課題である。 近年のディープラーニングに基づく検出手法は非常に有望な成果を上げている。 一般に、これらの方法は全画像中の細胞に徹底的にアノテートする必要がある。 細胞の一部に注釈が付かない場合(不完全アノテーション)、ノイズラベルによる検出性能は著しく低下する。 これはしばしば生物学者と実際のコラボレーションや、公開データセットでも発生する。 提案手法は,不完全なアノテートデータからの細胞検出に擬似ラベリング手法を用いる。 このようなラベル付きデータを用いてトレーニングされた検出畳み込みニューラルネットワーク(CNN)は、しばしば過剰検出を生成する。 部分標識細胞を正の試料とし, 検出された位置を未標識細胞として処理した。 次に,最近の機械学習手法であるp-unlabeled(pu)学習とp-classificationを用いて,ラベルなしデータから信頼できる擬似ラベルを選択する。 5つの異なる条件における顕微鏡画像を用いた実験により,提案手法の有効性が示された。

関連論文リスト

• Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
  ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。 混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。 UE識別のための反復フィルタリング手法を提案する。
  論文  参考訳（メタデータ） (2024-08-15T13:26:13Z)
• A noisy elephant in the room: Is your out-of-distribution detector robust to label noise? [49.88894124047644]
  我々は、最先端のOOD検出方法20について詳しく検討する。 不正に分類されたIDサンプルとOODサンプルの分離が不十分であることを示す。
  論文  参考訳（メタデータ） (2024-04-02T09:40:22Z)
• Cell Tracking-by-detection using Elliptical Bounding Boxes [0.0]
  本研究は,古典的トラッキング・バイ・検出パラダイムに基づく新しいアプローチを提案する。 細胞形状を指向性楕円体として近似し、汎用指向性物体検出器を用いて各フレーム内の細胞を識別する。 提案手法は,最先端技術と競合して検出・追跡できることを示す。
  論文  参考訳（メタデータ） (2023-10-07T18:47:17Z)
• Positive-unlabeled learning for binary and multi-class cell detection in histopathology images with incomplete annotations [0.7874708385247353]
  CNNベースの細胞検出モデルをトレーニングするには、トレーニングイメージのすべての正のインスタンスに注釈を付ける必要がある。 多くの場合、前向きなインスタンスのいくつかが注釈付けされ、他のインスタンスが注釈付けされていない、不完全なアノテーションのみが利用可能です。 本稿では,検出ネットワークのトレーニングを正の未ラベル学習問題として再構成することを提案する。
  論文  参考訳（メタデータ） (2023-02-16T03:12:04Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• Semi-supervised Cell Detection in Time-lapse Images Using Temporal Consistency [10.20554144865699]
  本研究では,ラベル付き画像とラベル付き画像との時間経過シーケンスを効果的に利用する半教師付き細胞検出法を提案する。 まず,一方のラベル付き画像を用いたセル検出ネットワークを訓練し,未ラベル付き画像と訓練されたネットワークを推定する。 次に,検出した細胞をラベル付きフレームから遠方まで追跡することにより,推定値から高信頼位置を選択する。
  論文  参考訳（メタデータ） (2021-07-19T06:40:47Z)
• Positive-unlabeled Learning for Cell Detection in Histopathology Images with Incomplete Annotations [1.1470070927586016]
  正の未ラベル学習問題として検出ネットワークのトレーニングを定式化する。 乳がん細胞のミトーシス検出のための公開データセットで実験を行った。
  論文  参考訳（メタデータ） (2021-06-30T09:20:25Z)
• A Novel Perspective for Positive-Unlabeled Learning via Noisy Labels [49.990938653249415]
  本研究では,初期疑似ラベルを雑音ラベルデータとして用いる非ラベルデータに割り当て,雑音ラベルデータを用いて深層ニューラルネットワークを訓練する手法を提案する。 実験の結果,提案手法は,いくつかのベンチマークデータセットにおいて,最先端の手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2021-03-08T11:46:02Z)
• Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
  我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。 提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-02-11T21:08:06Z)

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。