論文の概要: Weakly Supervised Few-Shot Segmentation Via Meta-Learning

• arxiv url: http://arxiv.org/abs/2109.01693v1
• Date: Fri, 3 Sep 2021 18:20:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-08 13:02:45.332037
• Title: Weakly Supervised Few-Shot Segmentation Via Meta-Learning
• Title（参考訳）: メタラーニングによるファウショットセグメンテーションの監視
• Authors: Pedro H. T. Gama, Hugo Oliveira, Jos\'e Marcato Junior, Jefersson A. dos Santos
• Abstract要約: WeaSeL と ProtoSeg という2つの新しいメタ学習手法を提案する。 医療画像と農業リモートセンシングの異なる分野で,提案手法の広範な評価を行った。
• 参考スコア（独自算出の注目度）: 2.0962464943252934
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Semantic segmentation is a classic computer vision task with multiple applications, which includes medical and remote sensing image analysis. Despite recent advances with deep-based approaches, labeling samples (pixels) for training models is laborious and, in some cases, unfeasible. In this paper, we present two novel meta learning methods, named WeaSeL and ProtoSeg, for the few-shot semantic segmentation task with sparse annotations. We conducted extensive evaluation of the proposed methods in different applications (12 datasets) in medical imaging and agricultural remote sensing, which are very distinct fields of knowledge and usually subject to data scarcity. The results demonstrated the potential of our method, achieving suitable results for segmenting both coffee/orange crops and anatomical parts of the human body in comparison with full dense annotation.
• Abstract（参考訳）: セマンティックセグメンテーション(Semantic segmentation)は、医療用およびリモートセンシング画像分析を含む、複数のアプリケーションを持つ古典的なコンピュータビジョンタスクである。 近年の深層アプローチの進歩にもかかわらず、トレーニングモデルのサンプル(ピクセル)のラベル付けは困難であり、場合によっては不可能である。 本稿では,スパースアノテーションを用いたセマンティックセグメンテーションタスクにおいて,WeaSeL と ProtoSeg という2つの新しいメタ学習手法を提案する。 医療画像と農業リモートセンシングにおいて,提案手法を異なる用途(12データセット)で広範囲に評価した。 その結果,本手法の有効性を実証し,全密度アノテーションと比較し,コーヒー・オレンジ栽培と人体の解剖学的部分の分画に適した結果を得た。

関連論文リスト

• Semi-Supervised Semantic Segmentation Based on Pseudo-Labels: A Survey [49.47197748663787]
  本総説は, 半教師付きセマンティックセグメンテーション分野における擬似ラベル手法に関する最新の研究成果について, 包括的かつ組織的に概観することを目的としている。 さらに,医用およびリモートセンシング画像のセグメンテーションにおける擬似ラベル技術の適用について検討する。
  論文  参考訳（メタデータ） (2024-03-04T10:18:38Z)
• Democratizing Pathological Image Segmentation with Lay Annotators via Molecular-empowered Learning [20.11220024755348]
  レイアノテータの部分ラベルを用いた多クラス細胞セグメンテーションのための分子動力学学習手法を提案する。 分子インフォームドアノテーションを用いてF1=0.8496を達成した。 本手法は,病的セグメンテーションの深部モデルの開発をライアノテータレベルまで民主化する。
  論文  参考訳（メタデータ） (2023-05-31T16:54:47Z)
• Meta-Learners for Few-Shot Weakly-Supervised Medical Image Segmentation [2.781492199939609]
  医用画像領域における弱教師付きセグメンテーションのための汎用メタラーニングフレームワークを提案する。 画像分割に適応したメタラーナーの比較分析を行った。
  論文  参考訳（メタデータ） (2023-05-11T15:57:45Z)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised Semantic Segmentation with Multi-scale Inference [28.409679398886304]
  我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。 地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
  論文  参考訳（メタデータ） (2022-05-06T08:37:02Z)
• Few-shot segmentation of medical images based on meta-learning with implicit gradients [0.48861336570452174]
  医用画像セグメンテーションのための数ショット設定において,最適化に基づく暗黙的メタ学習iMAMLアルゴリズムを活用することを提案する。 このアプローチでは、さまざまなトレーニングサンプルから学んだ重みを活用でき、新しい未知のデータセットにデプロイすることができます。
  論文  参考訳（メタデータ） (2021-06-06T19:52:06Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• 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)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)
• Semi-supervised few-shot learning for medical image segmentation [21.349705243254423]
  大規模な注釈付きデータセットの必要性を緩和する最近の試みは、数ショットの学習パラダイムの下でトレーニング戦略を開発した。 セマンティックセグメンテーションのための新しい数発の学習フレームワークを提案し,各エピソードでラベルのない画像も利用できるようにした。 エピソードトレーニングにおけるラベルなしのサロゲートタスクを含めると、より強力な特徴表現がもたらされることを示す。
  論文  参考訳（メタデータ） (2020-03-18T20:37:18Z)

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。