論文の概要: Automatic Preprocessing and Ensemble Learning for Low Quality Cell Image Segmentation

• arxiv url: http://arxiv.org/abs/2108.13118v1
• Date: Mon, 30 Aug 2021 10:58:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-31 14:25:44.856224
• Title: Automatic Preprocessing and Ensemble Learning for Low Quality Cell Image Segmentation
• Title（参考訳）: 低品質セル画像分割のための自動前処理とアンサンブル学習
• Authors: Sota Kato, Kazuhiro Hotta
• Abstract要約: 深層学習により認識し易い画像に入力画像を変換する手法を提案する。 低品質の入力セル画像は、第1のネットワークにおける特徴マップによって変換され、翻訳された画像は、セマンティックセグメンテーションのために第2のネットワークに入力される。 2つのネットワークはエンドツーエンドで訓練されており、翻訳のために高品質な画像を作成する必要はない。
• 参考スコア（独自算出の注目度）: 10.305130700118399
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose an automatic preprocessing and ensemble learning for segmentation of cell images with low quality. It is difficult to capture cells with strong light. Therefore, the microscopic images of cells tend to have low image quality but these images are not good for semantic segmentation. Here we propose a method to translate an input image to the images that are easy to recognize by deep learning. The proposed method consists of two deep neural networks. The first network is the usual training for semantic segmentation, and penultimate feature maps of the first network are used as filters to translate an input image to the images that emphasize each class. This is the automatic preprocessing and translated cell images are easily classified. The input cell image with low quality is translated by the feature maps in the first network, and the translated images are fed into the second network for semantic segmentation. Since the outputs of the second network are multiple segmentation results, we conduct the weighted ensemble of those segmentation images. Two networks are trained by end-to-end manner, and we do not need to prepare images with high quality for the translation. We confirmed that our proposed method can translate cell images with low quality to the images that are easy to segment, and segmentation accuracy has improved using the weighted ensemble learning.
• Abstract（参考訳）: 高品質なセル画像のセグメンテーションのための自動前処理とアンサンブル学習を提案する。 強い光で細胞を捕獲することは困難である。 したがって、細胞の顕微鏡画像は画質が低い傾向にあるが、これらの画像はセマンティックセグメンテーションには向いていない。 本稿では,深層学習によって認識しやすい画像に入力画像を変換する手法を提案する。 提案手法は2つの深層ニューラルネットワークからなる。 第1のネットワークはセマンティックセグメンテーションのための通常のトレーニングであり、第1のネットワークの特徴マップをフィルタとして使用して、各クラスを強調する画像に入力画像を変換する。 これは自動前処理であり、翻訳された細胞画像は容易に分類できる。 低品質の入力セル画像を第1のネットワークの特徴地図で翻訳し、その変換画像を第2のネットワークに供給して意味セグメンテーションを行う。 第2のネットワークの出力は複数のセグメンテーション結果であるため、これらのセグメンテーション画像の重み付けアンサンブルを行う。 2つのネットワークはエンドツーエンドでトレーニングされており、翻訳に高品質な画像を作成する必要はない。 提案手法では,低画質のセルイメージを分割し易い画像に変換できることを確認し,重み付きアンサンブル学習によりセグメント化精度が向上した。

関連論文リスト

• Self-Correlation and Cross-Correlation Learning for Few-Shot Remote Sensing Image Semantic Segmentation [27.59330408178435]
  リモートセマンティックセマンティックセマンティックセマンティクスは、クエリイメージからターゲットオブジェクトをセグメントすることを学ぶことを目的としている。 本稿では,数発のリモートセンシング画像セマンティックセマンティックセグメンテーションのための自己相関・相互相関学習ネットワークを提案する。 本モデルは,サポート画像とクエリ画像の自己相関と相互相関の両方を考慮し,一般化を促進させる。
  論文  参考訳（メタデータ） (2023-09-11T21:53:34Z)
• 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)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Edge-Based Self-Supervision for Semi-Supervised Few-Shot Microscopy Image Cell Segmentation [16.94384366469512]
  本稿では,未ラベル画像の訓練を自己監督するためのエッジマップの予測を提案する。 実験の結果,従来のトレーニングセットの10%など,少数のアノテートされたイメージだけが,完全なアノテートされたデータベースを1～10ショットで処理するのと同じようなパフォーマンスに達するには十分であることがわかった。
  論文  参考訳（メタデータ） (2022-08-03T14:35:00Z)
• Distilling Ensemble of Explanations for Weakly-Supervised Pre-Training of Image Segmentation Models [54.49581189337848]
  本稿では,分類データセットに基づく画像分割モデルのエンドツーエンド事前学習を可能にする手法を提案する。 提案手法は重み付きセグメンテーション学習法を利用して,重み付きセグメンテーションネットワークを事前訓練する。 実験の結果,ImageNetにソースデータセットとしてPSSLを伴って提案されたエンドツーエンドの事前トレーニング戦略が,さまざまなセグメンテーションモデルの性能向上に成功していることがわかった。
  論文  参考訳（メタデータ） (2022-07-04T13:02:32Z)
• Duo-SegNet: Adversarial Dual-Views for Semi-Supervised Medical Image Segmentation [14.535295064959746]
  マルチビュー学習の概念に基づく半教師付き画像分割手法を提案する。 提案手法は,最先端の医用画像分割アルゴリズムを一貫して,快適に向上させる。
  論文  参考訳（メタデータ） (2021-08-25T10:16:12Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation [128.03739769844736]
  2つのニューラルコアテンションを分類器に組み込んで、画像間のセマンティックな類似点と相違点をキャプチャする。 オブジェクトパターン学習の強化に加えて、コアテンションは他の関連する画像からのコンテキストを活用して、ローカライズマップの推論を改善することができる。 提案アルゴリズムは,これらすべての設定に対して新たな最先端性を設定し,その有効性と一般化性を示す。
  論文  参考訳（メタデータ） (2020-07-03T21:53:46Z)
• Interactive Deep Refinement Network for Medical Image Segmentation [13.698408475104452]
  従来のセマンティックセグメンテーションネットワークを改善するための対話型ディープリファインメントフレームワークを提案する。 提案するフレームワークでは,従来のセグメンテーションネットワークに改良ネットワークを追加し,結果を改善した。 公開データセットによる実験結果から,提案手法が他の最先端手法よりも高い精度を達成できることが判明した。
  論文  参考訳（メタデータ） (2020-06-27T08:24:46Z)
• CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
  少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。 相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。 PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2020-03-24T04:55:43Z)

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。