論文の概要: Bounding Box Tightness Prior for Weakly Supervised Image Segmentation

• arxiv url: http://arxiv.org/abs/2110.00934v1
• Date: Sun, 3 Oct 2021 06:19:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-05 15:54:52.838821
• Title: Bounding Box Tightness Prior for Weakly Supervised Image Segmentation
• Title（参考訳）: 弱め補正画像分割に先立つ境界箱の厚さ
• Authors: Juan Wang and Bin Xia
• Abstract要約: ディープニューラルネットワーク以前のバウンディングボックスのタイツネスをエンドツーエンドで統合するために、一般化された多重インスタンス学習(MIL)と滑らかな最大近似を提案する。 提案手法はDice係数を用いて2つのパビック医療データセットを用いて評価した。
• 参考スコア（独自算出の注目度）: 5.517632401040172
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper presents a weakly supervised image segmentation method that adopts tight bounding box annotations. It proposes generalized multiple instance learning (MIL) and smooth maximum approximation to integrate the bounding box tightness prior into the deep neural network in an end-to-end manner. In generalized MIL, positive bags are defined by parallel crossing lines with a set of different angles, and negative bags are defined as individual pixels outside of any bounding boxes. Two variants of smooth maximum approximation, i.e., $\alpha$-softmax function and $\alpha$-quasimax function, are exploited to conquer the numeral instability introduced by maximum function of bag prediction. The proposed approach was evaluated on two pubic medical datasets using Dice coefficient. The results demonstrate that it outperforms the state-of-the-art methods. The codes are available at \url{https://github.com/wangjuan313/wsis-boundingbox}.
• Abstract（参考訳）: 本稿では,厳密な境界ボックスアノテーションを用いた画像分割手法を提案する。 一般化された多重インスタンス学習(MIL)と滑らかな最大近似を提案し、境界ボックスのタイツネスを終端的な方法でディープニューラルネットワークに統合する。 一般化されたMILでは、正の袋は異なる角度の平行交差線で定義され、負の袋は任意の境界ボックスの外側の個々のピクセルとして定義される。 滑らかな最大近似の2つの変種、すなわち $\alpha$-softmax 関数と $\alpha$-quasimax 関数は、バッグ予測の最大関数によってもたらされる数値不安定性を克服するために利用される。 提案手法は2つのpubic medical datasetでdice係数を用いて評価した。 その結果、最先端の手法よりも優れた結果が得られた。 コードは \url{https://github.com/wangjuan313/wsis-boundingbox} で入手できる。

関連論文リスト

• Combinatorial Stochastic-Greedy Bandit [79.1700188160944]
  我々は,選択した$n$のアームセットのジョイント報酬以外の余分な情報が観測されない場合に,マルチアームのバンディット問題に対する新規グリーディ・バンディット(SGB)アルゴリズムを提案する。 SGBは最適化された拡張型コミットアプローチを採用しており、ベースアームの大きなセットを持つシナリオ用に特別に設計されている。
  論文  参考訳（メタデータ） (2023-12-13T11:08:25Z)
• Sarah Frank-Wolfe: Methods for Constrained Optimization with Best Rates and Practical Features [65.64276393443346]
  Frank-Wolfe (FW) 法は、構造化制約による最適化問題の解法として一般的な手法である。 有限サム勾配の最小化のためのアルゴリズムの2つの新しい変種を示す。
  論文  参考訳（メタデータ） (2023-04-23T20:05:09Z)
• Bridging Discrete and Backpropagation: Straight-Through and Beyond [62.46558842476455]
  本稿では,離散潜在変数の生成に関わるパラメータの勾配を近似する新しい手法を提案する。 本稿では,Hunの手法とODEを解くための2次数値法を統合することで,2次精度を実現するReinMaxを提案する。
  論文  参考訳（メタデータ） (2023-04-17T20:59:49Z)
• Split, Merge, and Refine: Fitting Tight Bounding Boxes via Over-Segmentation and Iterative Search [15.29167642670379]
  本稿では,3次元形状の密接な束縛箱の集合を,過剰な分割と反復的なマージと精錬によって見つけるための新しい枠組みを提案する。 思慮深い評価により、トレーニングデータや監督を必要とせず、完全なカバレッジ、厳密さ、適切な数のバウンディングボックスを提示する。
  論文  参考訳（メタデータ） (2023-04-10T00:25:15Z)
• BoxSnake: Polygonal Instance Segmentation with Box Supervision [34.487089567665556]
  ボックスアノテーションのみを用いた効率的な多角形インスタンスセグメンテーションを実現するために,BoxSnakeと呼ばれる新しいエンドツーエンドトレーニング手法を提案する。 BoxSnakeはマスクベースの弱教師付き手法と比較して、予測セグメンテーションとバウンディングボックスの間のパフォーマンスギャップをさらに減らし、Cityscapesデータセットに顕著な優位性を示す。
  論文  参考訳（メタデータ） (2023-03-21T06:54:18Z)
• Weakly Supervised Image Segmentation Beyond Tight Bounding Box Annotations [5.000514512377416]
  本研究では,ゆるい拘束箱を監督として使用する場合,セグメンテーション性能を良好に維持できるかどうかを検討する。 提案した極変換に基づくMIL定式化は、タイトかつゆるいバウンディングボックスの両方で機能する。 その結果, 提案手法は, 任意の精度でバウンディングボックスの最先端性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-01-28T02:11:36Z)
• BoxPolyp:Boost Generalized Polyp Segmentation Using Extra Coarse Bounding Box Annotations [79.17754846553866]
  我々は、正確なマスクと余分な粗いボックスアノテーションをフル活用するための強化されたBoxPolypモデルを提案する。 実際には、従来のポリプセグメンテーションモデルの過度に適合する問題を緩和するためにボックスアノテーションが適用される。 提案手法は従来の最先端手法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2022-12-07T07:45:50Z)
• FuSS: Fusing Superpixels for Improved Segmentation Consistency [2.7771471571972333]
  本論文では,Open Set Semanticのセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティック まず,各クラスの画素分布をマルチモーダルにモデル化するOpenGMMを提案する。 第二のアプローチは後処理で、スーパーピクセルを使って高度に均一な領域を均等に振る舞う。
  論文  参考訳（メタデータ） (2022-06-06T16:14:19Z)
• Polar Transformation Based Multiple Instance Learning Assisting Weakly Supervised Image Segmentation With Loose Bounding Box Annotations [5.000514512377416]
  本研究では,ゆるい境界ボックスによる画像セグメント化について検討した。 極変換に基づく複数のインスタンス学習戦略を示し、ゆるいバウンディングボックスを監督するときに画像セグメンテーションを支援する。
  論文  参考訳（メタデータ） (2022-03-03T00:44:40Z)
• Minimax Optimal Quantization of Linear Models: Information-Theoretic Limits and Efficient Algorithms [59.724977092582535]
  測定から学習した線形モデルの定量化の問題を考える。 この設定の下では、ミニマックスリスクに対する情報理論の下限を導出する。 本稿では,2層ReLUニューラルネットワークに対して,提案手法と上界を拡張可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-23T02:39:04Z)
• DeepStrip: High Resolution Boundary Refinement [60.00241966809684]
  関心領域をストリップ画像に変換し、ストリップ領域の境界予測を計算することを提案する。 対象境界を検出するために,2つの予測層を持つフレームワークを提案する。 我々は、誤報を減らすために、整合性とC0連続性正規化をネットワークに強制する。
  論文  参考訳（メタデータ） (2020-03-25T22:44:48Z)

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。