論文の概要: Adaptive Early-Learning Correction for Segmentation from Noisy Annotations

• arxiv url: http://arxiv.org/abs/2110.03740v1
• Date: Thu, 7 Oct 2021 18:46:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-11 14:14:05.501824
• Title: Adaptive Early-Learning Correction for Segmentation from Noisy Annotations
• Title（参考訳）: 雑音条件からのセグメンテーションに対する適応的早期学習補正
• Authors: Sheng Liu, Kangning Liu, Weicheng Zhu, Yiqiu Shen, Carlos Fernandez-Granda
• Abstract要約: 不正確な注釈付きデータに基づいて訓練されたディープセグメンテーションネットワークの学習ダイナミクスについて検討する。 2つのキー要素を持つノイズの多いアノテーションから分割する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 13.962891776039369
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning in the presence of noisy annotations has been studied extensively in classification, but much less in segmentation tasks. In this work, we study the learning dynamics of deep segmentation networks trained on inaccurately-annotated data. We discover a phenomenon that has been previously reported in the context of classification: the networks tend to first fit the clean pixel-level labels during an "early-learning" phase, before eventually memorizing the false annotations. However, in contrast to classification, memorization in segmentation does not arise simultaneously for all semantic categories. Inspired by these findings, we propose a new method for segmentation from noisy annotations with two key elements. First, we detect the beginning of the memorization phase separately for each category during training. This allows us to adaptively correct the noisy annotations in order to exploit early learning. Second, we incorporate a regularization term that enforces consistency across scales to boost robustness against annotation noise. Our method outperforms standard approaches on a medical-imaging segmentation task where noises are synthesized to mimic human annotation errors. It also provides robustness to realistic noisy annotations present in weakly-supervised semantic segmentation, achieving state-of-the-art results on PASCAL VOC 2012.
• Abstract（参考訳）: ノイズの多いアノテーションの存在下での深層学習は、分類において広く研究されているが、セグメンテーションのタスクではより少ない。 本研究では,不正確なアノテートデータを用いた深層セグメンテーションネットワークの学習ダイナミクスについて検討する。 ネットワークは"早期学習"の段階で最初にクリーンなピクセルレベルラベルに適合し、最終的に誤ったアノテーションを覚える傾向があります。 しかし、分類とは対照的に、セグメンテーションにおける記憶はすべての意味圏に対して同時に発生するわけではない。 これらの知見に触発されて,2つのキー要素を持つノイズの多いアノテーションからセグメント化を行う新しい手法を提案する。 まず,トレーニング中の各カテゴリ毎に,記憶フェーズの開始を別々に検出する。 これにより、早期学習を利用するために、ノイズの多いアノテーションを適応的に修正することができます。 第2に、アノテーションノイズに対するロバスト性を高めるために、スケール間の一貫性を強制する正規化項を組み込む。 提案手法は,ヒトのアノテーションエラーを模倣するノイズを合成する医療画像分割作業において,標準的な手法よりも優れる。 また、弱い教師付きセマンティックセグメンテーションに存在する現実的なノイズのアノテーションに対して堅牢性を提供し、PASCAL VOC 2012で最先端の結果を達成する。

関連論文リスト

• Revisiting speech segmentation and lexicon learning with better features [29.268728666438495]
  我々は,未学習の音声を単語のようなセグメントに分割する自己教師型手法を再検討する。 まず,2段階の持続時間ペン化動的プログラミング法から始める。 第1の音響ユニット発見段階では、コントラスト予測符号を HuBERT に置き換える。 第2段階における単語セグメンテーションの後,HuBERT特徴量の平均化により,各セグメントに音響単語を埋め込む。
  論文  参考訳（メタデータ） (2024-01-31T15:06:34Z)
• Learning to Segment from Noisy Annotations: A Spatial Correction Approach [12.604673584405385]
  ノイズラベルはディープニューラルネットワーク(DNN)の性能に大きく影響する 空間相関とバイアスの両方をエンコードするセグメンテーションノイズアノテーションのための新しいマルコフモデルを提案する。 提案手法は, 合成および実世界のノイズアノテーションにおいて, 最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2023-07-21T00:27:40Z)
• Learning Context-aware Classifier for Semantic Segmentation [88.88198210948426]
  本稿では,文脈認識型分類器の学習を通じて文脈ヒントを利用する。 本手法はモデルに依存しないため,ジェネリックセグメンテーションモデルにも容易に適用できる。 無視できる追加パラメータと+2%の推論時間だけで、小型モデルと大型モデルの両方で十分な性能向上が達成されている。
  論文  参考訳（メタデータ） (2023-03-21T07:00:35Z)
• Learning Confident Classifiers in the Presence of Label Noise [5.829762367794509]
  本稿では,ノイズ観測のための確率論的モデルを提案し,信頼性の高い分類とセグメンテーションモデルの構築を可能にする。 実験により,本アルゴリズムは,検討された分類問題と分割問題に対して,最先端の解よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-02T04:27:25Z)
• Flip Learning: Erase to Segment [65.84901344260277]
  弱い教師付きセグメンテーション(WSS)は、時間と面倒な手作業のアノテーションを減らすのに役立ちます。 ボックスアノテーションのみを必要とするFlip Learningという,斬新で汎用的なWSSフレームワークを提案する。 提案手法は,完全教師付き学習と弱教師付き学習のギャップを狭める大きな可能性を示す。
  論文  参考訳（メタデータ） (2021-08-02T09:56:10Z)
• 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)
• Weakly Supervised Temporal Action Localization with Segment-Level Labels [140.68096218667162]
  時間的アクションローカライゼーションは、テストパフォーマンスとアノテーション時間コストのトレードオフを示す。 ここでは、アノテーションがアクションを観察するときにセグメントがラベル付けされる。 我々は、ラベル付きセグメントから積分的な動作部分を学ぶために、損失サンプリングと見なされる部分的なセグメント損失を考案する。
  論文  参考訳（メタデータ） (2020-07-03T10:32:19Z)
• Early-Learning Regularization Prevents Memorization of Noisy Labels [29.04549895470588]
  本稿では,ノイズの多いアノテーションの存在下で,ディープラーニングによる分類を行うための新しいフレームワークを提案する。 深層ニューラルネットワークは、"早期学習"フェーズにおいて、トレーニングデータをクリーンなラベルに適合させることが観察されている。 我々は、これらの目標に向けてモデルを操る正規化用語を設計し、偽ラベルの記憶を暗黙的に防止する。
  論文  参考訳（メタデータ） (2020-06-30T23:46:33Z)
• DenoiSeg: Joint Denoising and Segmentation [75.91760529986958]
  我々は,いくつかの注釈付き基底真理セグメンテーションでエンドツーエンドに学習できる新しい手法であるDenoySegを提案する。 我々は、ノイズの多い画像だけで訓練できる自己教師付き遮音方式であるNoss2Voidを拡張して、密度の高い3クラスセグメンテーションを予測する。
  論文  参考訳（メタデータ） (2020-05-06T17:42:54Z)
• Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
  Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。 既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。 本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
  論文  参考訳（メタデータ） (2020-04-12T03:53:53Z)
• Discovering Latent Classes for Semi-Supervised Semantic Segmentation [18.5909667833129]
  本稿では,半教師付きセマンティックセグメンテーションの問題について検討する。 ラベル付き画像のセマンティッククラスと一致した潜在クラスを学習する。 提案手法は,半教師付きセマンティックセグメンテーションのための技術結果の状態を達成している。
  論文  参考訳（メタデータ） (2019-12-30T14:16:24Z)

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。