論文の概要: Superpixel-guided Iterative Learning from Noisy Labels for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2107.10100v1
• Date: Wed, 21 Jul 2021 14:27:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-22 14:13:12.409919
• Title: Superpixel-guided Iterative Learning from Noisy Labels for Medical Image Segmentation
• Title（参考訳）: 医用画像セグメンテーションのための雑音ラベルからのスーパーピクセル誘導反復学習
• Authors: Shuailin Li, Zhitong Gao, Xuming He
• Abstract要約: セグメンテーションネットワークの雑音認識学習とノイズラベル改善を組み合わせた,頑健な反復学習戦略を開発する。 2つのベンチマーク実験により,本手法は最近の最先端手法よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 24.557755528031453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning segmentation from noisy labels is an important task for medical image analysis due to the difficulty in acquiring highquality annotations. Most existing methods neglect the pixel correlation and structural prior in segmentation, often producing noisy predictions around object boundaries. To address this, we adopt a superpixel representation and develop a robust iterative learning strategy that combines noise-aware training of segmentation network and noisy label refinement, both guided by the superpixels. This design enables us to exploit the structural constraints in segmentation labels and effectively mitigate the impact of label noise in learning. Experiments on two benchmarks show that our method outperforms recent state-of-the-art approaches, and achieves superior robustness in a wide range of label noises. Code is available at https://github.com/gaozhitong/SP_guided_Noisy_Label_Seg.
• Abstract（参考訳）: ノイズラベルからのセグメンテーションは,高品質なアノテーションの取得が困難であるため,医用画像解析において重要な課題である。 既存のほとんどの手法は、セグメンテーションにおける画素相関と構造的先行を無視し、しばしばオブジェクト境界に関するノイズの多い予測を生成する。 そこで我々は,スーパーピクセル表現を採用し,セグメンテーションネットワークの雑音認識学習と,スーパーピクセルが指導するノイズラベル改善を組み合わせた,堅牢な反復学習戦略を開発した。 この設計により、セグメンテーションラベルの構造的制約を活用でき、学習におけるラベルノイズの影響を効果的に軽減できる。 2つのベンチマーク実験の結果,本手法は最近の最先端手法よりも優れており,幅広いラベル雑音において優れたロバスト性を実現する。 コードはhttps://github.com/gaozhitong/SP_guided_Noisy_Label_Segで公開されている。

関連論文リスト

• Learning Camouflaged Object Detection from Noisy Pseudo Label [60.9005578956798]
  本稿では,まず,弱い半教師付きカモフラージュオブジェクト検出(COD)法を提案する。 予算効率が高く高精度なカモフラージュされたオブジェクトセグメンテーションを目標とし、完全にラベル付けされた画像が極めて限られている。 本稿では,早期の学習段階において,モデルが正しい画素の学習を容易にするノイズ補正損失を提案する。 完全ラベル付きデータの20%しか使用しない場合,本手法は最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T04:53:51Z)
• 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)
• Rectifying Noisy Labels with Sequential Prior: Multi-Scale Temporal Feature Affinity Learning for Robust Video Segmentation [15.509243984236162]
  ノイズラベル問題は、医療画像セグメンテーション内に必然的に存在し、性能が著しく低下する。 ノイズラベル付き医療ビデオセグメンテーション問題を解決するために,マルチスケールの時間的特徴親和性学習フレームワークを提案する。 合成および実世界のラベルノイズを用いた実験により,本手法は最近の最先端のロバストなセグメンテーション手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-12T04:10:16Z)
• Co-Learning Meets Stitch-Up for Noisy Multi-label Visual Recognition [70.00984078351927]
  本稿では,多ラベル分類と長期学習の特徴に基づく雑音の低減に焦点をあてる。 よりクリーンなサンプルを合成し,マルチラベルノイズを直接低減するStitch-Up拡張を提案する。 ヘテロジニアス・コラーニング・フレームワークは、長い尾の分布とバランスの取れた分布の不整合を活用するためにさらに設計されている。
  論文  参考訳（メタデータ） (2023-07-03T09:20:28Z)
• Joint Class-Affinity Loss Correction for Robust Medical Image Segmentation with Noisy Labels [22.721870430220598]
  ノイズラベルは 医用画像分割アルゴリズムが 正確な意味的相関を 学習するのを防いでいる 画素ワイズとペアワイズの両方を取り入れたノイズ緩和のための新しい視点を提案する。 医用画像のセグメンテーションにおけるラベルノイズ問題に対処する頑健なジョイントクラスアフィニティ(JCAS)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-16T08:19:33Z)
• Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
  超高解像度画像のための混合監視学習フレームワークを提案する。 パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。 画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
  論文  参考訳（メタデータ） (2021-07-02T09:46:06Z)
• Distilling effective supervision for robust medical image segmentation with noisy labels [21.68138582276142]
  本稿では,画素レベルと画像レベルの両方から効果的な監視情報を抽出することにより,ノイズラベルによるセグメント化に対処する新しい枠組みを提案する。 特に,各画素の不確かさを画素単位の雑音推定として明確に推定する。 画素レベルの学習を補完する画像レベルの頑健な学習手法を提案する。
  論文  参考訳（メタデータ） (2021-06-21T13:33:38Z)
• Learning from Pixel-Level Label Noise: A New Perspective for Semi-Supervised Semantic Segmentation [12.937770890847819]
  ピクセルレベルのノイズラベルに対処するためのグラフベースのラベルノイズ検出および補正フレームワークを提案する。 特に,クラスアクティベーションマップ(cam)による弱い監督から生成した画素レベルのノイズラベルに対して,強い監督を施したクリーンセグメンテーションモデルを訓練する。 最後に,超画素ベースのグラフを用いて,画像中の画素間の空間的隣接性と意味的類似性の関係を表現する。
  論文  参考訳（メタデータ） (2021-03-26T03:23:21Z)
• Noisy Labels Can Induce Good Representations [53.47668632785373]
  アーキテクチャがノイズラベルによる学習に与える影響について検討する。 ノイズラベルを用いたトレーニングは,モデルが一般化に乏しい場合でも,有用な隠れ表現を誘導できることを示す。 この発見は、騒々しいラベルで訓練されたモデルを改善する簡単な方法につながります。
  論文  参考訳（メタデータ） (2020-12-23T18:58:05Z)
• Attention-Aware Noisy Label Learning for Image Classification [97.26664962498887]
  大規模ラベル付きサンプルで学習した深層畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおいて顕著な進歩を遂げている。 大量のラベル付きビジュアルデータを取得する最も安価な方法は、Flickrのようなユーザーが提供するラベルでウェブサイトからクロールすることである。 本稿では,潜在的なラベルノイズのあるデータセットに基づいて学習したネットワークの識別能力を向上させるために,注目に敏感なラベル学習手法を提案する。
  論文  参考訳（メタデータ） (2020-09-30T15:45:36Z)

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。