論文の概要: Adaptable image quality assessment using meta-reinforcement learning of task amenability

• arxiv url: http://arxiv.org/abs/2108.04359v1
• Date: Sat, 31 Jul 2021 11:29:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-15 11:31:28.167229
• Title: Adaptable image quality assessment using meta-reinforcement learning of task amenability
• Title（参考訳）: タスクアメニビリティのメタ強化学習を用いた適応画像品質評価
• Authors: Shaheer U. Saeed, Yunguan Fu, Vasilis Stavrinides, Zachary M. C. Baum, Qianye Yang, Mirabela Rusu, Richard E. Fan, Geoffrey A. Sonn, J. Alison Noble, Dean C. Barratt, Yipeng Hu
• Abstract要約: 現代のディープラーニングアルゴリズムは、主観的(人間に基づく)画像品質評価(IQA)に依存している タスクアメニビリティを予測するために、IQAエージェントは、同時に最適化されたタスク予測器を備えた強化学習(RL)を用いて訓練される。 本研究では、IQAエージェントとタスク予測器の両方の適応性を高めるために、転送学習または適応戦略を開発する。
• 参考スコア（独自算出の注目度）: 2.499394199589254
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The performance of many medical image analysis tasks are strongly associated with image data quality. When developing modern deep learning algorithms, rather than relying on subjective (human-based) image quality assessment (IQA), task amenability potentially provides an objective measure of task-specific image quality. To predict task amenability, an IQA agent is trained using reinforcement learning (RL) with a simultaneously optimised task predictor, such as a classification or segmentation neural network. In this work, we develop transfer learning or adaptation strategies to increase the adaptability of both the IQA agent and the task predictor so that they are less dependent on high-quality, expert-labelled training data. The proposed transfer learning strategy re-formulates the original RL problem for task amenability in a meta-reinforcement learning (meta-RL) framework. The resulting algorithm facilitates efficient adaptation of the agent to different definitions of image quality, each with its own Markov decision process environment including different images, labels and an adaptable task predictor. Our work demonstrates that the IQA agents pre-trained on non-expert task labels can be adapted to predict task amenability as defined by expert task labels, using only a small set of expert labels. Using 6644 clinical ultrasound images from 249 prostate cancer patients, our results for image classification and segmentation tasks show that the proposed IQA method can be adapted using data with as few as respective 19.7% and 29.6% expert-reviewed consensus labels and still achieve comparable IQA and task performance, which would otherwise require a training dataset with 100% expert labels.
• Abstract（参考訳）: 多くの医用画像解析タスクの性能は画像データ品質に強く関連している。 主観的(人間に基づく)画像品質評価(IQA)に頼るのではなく、現代のディープラーニングアルゴリズムを開発する場合、タスクアメニビリティはタスク固有の画像品質の客観的尺度を提供する可能性がある。 タスクアメナビリティを予測するために、分類やセグメンテーションニューラルネットワークなどの同時最適化タスク予測器と共に強化学習(rl)を使用して、icaエージェントを訓練する。 本研究では、IQAエージェントとタスク予測器の両方の適合性を高めるために、トランスファー学習または適応戦略を開発し、それらが高品質な専門家による訓練データに依存しないようにする。 提案手法は,メタ強化学習(meta-RL)フレームワークにおいて,タスクの順応性に関する元のRL問題を再構成する。 このアルゴリズムは,異なる画像,ラベル,適応可能なタスク予測器を含む,独自のマルコフ決定プロセス環境を備えた,画像品質の異なる定義へのエージェントの効率的な適応を容易にする。 本研究は,非専門家のタスクラベルに事前学習したIQAエージェントが,少数の専門家ラベルのみを用いて,専門家のタスクラベルによって定義されたタスクアメニビリティを予測できることを示す。 249人の前立腺癌患者から得られた6644個の超音波画像を用いて,画像分類および分節化タスクを行った結果,提案手法は,19.7%,29.6%のコンセンサスラベルの少ないデータを用いて適応可能であり,それと同等の iqa とタスク性能を達成できることがわかった。

関連論文リスト

• Boosting CLIP Adaptation for Image Quality Assessment via Meta-Prompt Learning and Gradient Regularization [55.09893295671917]
  本稿では,Gdient-Regulated Meta-Prompt IQA Framework (GRMP-IQA)を紹介する。 GRMP-IQAはMeta-Prompt事前学習モジュールとQuality-Aware Gradient Regularizationの2つの主要なモジュールから構成されている。 5つの標準BIQAデータセットの実験は、限られたデータ設定下での最先端BIQA手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-09-09T07:26:21Z)
• DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [54.139923409101044]
  野生のブラインド画像品質評価(IQA)は重大な課題を呈している。 大規模なトレーニングデータの収集が困難であることを考えると、厳密な一般化モデルを開発するために限られたデータを活用することは、未解決の問題である。 事前訓練されたテキスト・ツー・イメージ(T2I)拡散モデルの堅牢な画像認識能力により,新しいIQA法,拡散先行に基づくIQAを提案する。
  論文  参考訳（メタデータ） (2024-05-30T12:32:35Z)
• Descriptive Image Quality Assessment in the Wild [25.503311093471076]
  VLMに基づく画像品質評価(IQA)は、画像品質を言語的に記述し、人間の表現に合わせることを目指している。 野生における画像品質評価(DepictQA-Wild)について紹介する。 本手法は,評価タスクと比較タスク,簡潔かつ詳細な応答,完全参照,非参照シナリオを含む多機能IQAタスクパラダイムを含む。
  論文  参考訳（メタデータ） (2024-05-29T07:49:15Z)
• Multi-Modal Prompt Learning on Blind Image Quality Assessment [65.0676908930946]
  画像品質評価(IQA)モデルは意味情報から大きな恩恵を受け、異なる種類のオブジェクトを明瞭に扱うことができる。 十分な注釈付きデータが不足している従来の手法では、セマンティックな認識を得るために、CLIPイメージテキスト事前学習モデルをバックボーンとして使用していた。 近年のアプローチでは、このミスマッチに即時技術を使って対処する試みがあるが、これらの解決策には欠点がある。 本稿では、IQAのための革新的なマルチモーダルプロンプトベースの手法を提案する。
  論文  参考訳（メタデータ） (2024-04-23T11:45:32Z)
• Blind Image Quality Assessment via Vision-Language Correspondence: A Multitask Learning Perspective [93.56647950778357]
  ブラインド画像品質評価(BIQA)は、参照情報なしで画像品質の人間の知覚を予測する。 我々は,他のタスクからの補助的知識を活用するために,BIQAのための汎用的かつ自動化されたマルチタスク学習手法を開発した。
  論文  参考訳（メタデータ） (2023-03-27T07:58:09Z)
• MSTRIQ: No Reference Image Quality Assessment Based on Swin Transformer with Multi-Stage Fusion [8.338999282303755]
  本稿では,Swin Transformerに基づく新しいアルゴリズムを提案する。 ローカル機能とグローバル機能の両方から情報を集約して、品質をより正確に予測する。 NTIRE 2022 Perceptual Image Quality Assessment Challengeのノーレファレンストラックで2位。
  論文  参考訳（メタデータ） (2022-05-20T11:34:35Z)
• Image quality assessment for machine learning tasks using meta-reinforcement learning [2.192555579139084]
  我々は、画像品質評価(IQA)を、与えられた下流のタスクやタスクのアメニビリティに対するイメージのアメニティの尺度とみなす。 我々は、IQAコントローラを用いてタスクのアメニビリティを予測し、ニューラルネットワークによってパラメータ化され、タスク予測器と同時にトレーニングすることができる。 X線画像における超音波ガイド下前立腺介入と肺炎検出の2つの臨床応用を用いて,課題特異的で適応可能なIQAアプローチの有効性を実証した。
  論文  参考訳（メタデータ） (2022-03-27T09:42:26Z)
• Image quality assessment by overlapping task-specific and task-agnostic measures: application to prostate multiparametric MR images for cancer segmentation [0.6109833303919139]
  医用画像における画像品質評価(IQA)は、下流の臨床的タスクを確実に行えるようにするために用いられる。 タスク固有のIQAが最近提案され、ターゲットタスク予測器と同時にイメージアメニビリティ予測コントローラを学習している。 本稿では,タスク固有のIQAアプローチの拡張として,自動エンコーディングを対象タスクとするタスク非依存IQAを提案する。
  論文  参考訳（メタデータ） (2022-02-20T11:45:58Z)
• Task-Specific Normalization for Continual Learning of Blind Image Quality Models [105.03239956378465]
  視覚的画像品質評価(BIQA)のための簡易かつ効果的な連続学習法を提案する。 このアプローチの重要なステップは、トレーニング済みのディープニューラルネットワーク(DNN)のすべての畳み込みフィルタを凍結して、安定性を明示的に保証することです。 我々は、各新しいIQAデータセット(タスク)に予測ヘッドを割り当て、対応する正規化パラメータをロードして品質スコアを生成する。 最終的な品質推定は、軽量な$K$-meansゲーティング機構で、すべての頭からの予測の重み付け総和によって計算される。
  論文  参考訳（メタデータ） (2021-07-28T15:21:01Z)
• Uncertainty-Aware Blind Image Quality Assessment in the Laboratory and Wild [98.48284827503409]
  我々は,テキスト化BIQAモデルを開発し,それを合成的および現実的歪みの両方で訓練するアプローチを提案する。 我々は、多数の画像ペアに対してBIQAのためのディープニューラルネットワークを最適化するために、忠実度損失を用いる。 6つのIQAデータベースの実験は、実験室と野生動物における画像品質を盲目的に評価する学習手法の可能性を示唆している。
  論文  参考訳（メタデータ） (2020-05-28T13:35:23Z)

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。