論文の概要: Curating Subject ID Labels using Keypoint Signatures
- arxiv url: http://arxiv.org/abs/2110.04055v1
- Date: Thu, 7 Oct 2021 05:23:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-12 09:29:12.834965
- Title: Curating Subject ID Labels using Keypoint Signatures
- Title(参考訳): キーポイントシグナチャを用いた対象IDラベルのキュレーション
- Authors: Laurent Chauvin, Matthew Toews
- Abstract要約: 大規模医用画像データセットにおける主観的IDラベルの算出に高効率なシステムについて述べる。
このシステムにより、広く使われているパブリック脳MRIデータセットに、これまで未知のラベル付けエラーが発見された。
- 参考スコア(独自算出の注目度): 3.5737990211248043
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Subject ID labels are unique, anonymized codes that can be used to group all
images of a subject while maintaining anonymity. ID errors may be inadvertently
introduced manually error during enrollment and may lead to systematic error
into machine learning evaluation (e.g. due to double-dipping) or potential
patient misdiagnosis in clinical contexts. Here we describe a highly efficient
system for curating subject ID labels in large generic medical image datasets,
based on the 3D image keypoint representation, which recently led to the
discovery of previously unknown labeling errors in widely-used public brain MRI
datasets
- Abstract(参考訳): 被写体IDラベルは、匿名性を維持しながら被写体の全画像をグループ化するために使用できる、ユニークな匿名コードである。
IDエラーは、入学中に手動でエラーを発生させる可能性があり、機械学習の評価(ダブルダイッピングによる)や臨床的文脈における潜在的な患者誤診に体系的なエラーをもたらす可能性がある。
本稿では、3次元画像キーポイント表現に基づく大規模医用画像データセットにおける被写体idラベルのキュレーションを高度に効率的に行うシステムについて述べる。
関連論文リスト
- Rapid Image Labeling via Neuro-Symbolic Learning [5.506243103965863]
本稿では,少量のラベル付きデータから画像ラベリングルールを推論するRapidというニューロシンボリックアプローチを提案する。
特にRapidは、事前訓練されたCVモデルと帰納的論理学習を組み合わせて、ロジックベースのラベリングルールを推論する。
ラピッドは4つの画像ラベリングタスクにおいて83.33%から88.33%のラベル付け精度を達成し、12から39のラベル付きサンプルしか持たない。
論文 参考訳(メタデータ) (2023-06-18T07:02:56Z) - Self-Supervised Learning as a Means To Reduce the Need for Labeled Data
in Medical Image Analysis [64.4093648042484]
胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。
ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
論文 参考訳(メタデータ) (2022-06-01T09:20:30Z) - Dual-Refinement: Joint Label and Feature Refinement for Unsupervised
Domain Adaptive Person Re-Identification [51.98150752331922]
Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。
オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。
本手法は最先端手法を大きなマージンで上回っている。
論文 参考訳(メタデータ) (2020-12-26T07:35:35Z) - Semantics-Guided Clustering with Deep Progressive Learning for
Semi-Supervised Person Re-identification [58.01834972099855]
人物の再識別(re-ID)は、同一人物の画像とカメラビューを一致させる必要がある。
本稿では,SGC-DPL(Deep Progressive Learning)を用いたセマンティックスガイドクラスタリング(Semantics-Guided Clustering)の新たなフレームワークを提案する。
我々のアプローチは、半教師付き環境でラベル付きトレーニングデータを増強することができる。
論文 参考訳(メタデータ) (2020-10-02T18:02:35Z) - SSKD: Self-Supervised Knowledge Distillation for Cross Domain Adaptive
Person Re-Identification [25.96221714337815]
ドメイン適応型人物再識別(re-ID)は、ソースドメインとターゲットドメインの間に大きな違いがあるため、難しい課題である。
既存の手法は主にクラスタリングアルゴリズムによって未ラベルのターゲット画像の擬似ラベルを生成する。
本稿では,識別学習とソフトラベル学習の2つのモジュールを含む自己監督的知識蒸留(SSKD)手法を提案する。
論文 参考訳(メタデータ) (2020-09-13T10:12:02Z) - Unsupervised Person Re-identification via Multi-label Classification [55.65870468861157]
本稿では,教師なしのReIDを多ラベル分類タスクとして定式化し,段階的に真のラベルを求める。
提案手法は,まず,各人物画像に単一クラスラベルを割り当てることから始まり,ラベル予測のために更新されたReIDモデルを活用することで,多ラベル分類へと進化する。
マルチラベル分類におけるReIDモデルのトレーニング効率を高めるために,メモリベースマルチラベル分類損失(MMCL)を提案する。
論文 参考訳(メタデータ) (2020-04-20T12:13:43Z) - Do Public Datasets Assure Unbiased Comparisons for Registration
Evaluation? [96.53940048041248]
画像誘導神経外科医の登録をベンチマークするために、2つのデータセットで手動で注釈付けされたランドマークをスクリーニングするために、ヴァリグラムを使用します。
Variograms を用いて, 潜在的に有意な症例を同定し, 経験者により検討した。
論文 参考訳(メタデータ) (2020-03-20T20:04:47Z) - Weakly supervised discriminative feature learning with state information
for person identification [97.24720743767197]
我々は、異なる状態による視覚的不一致に対処するために、状態情報を弱い監督力として活用することを提案する。
教師なしの人物の再識別とポーズ不変の顔認識におけるモデルの評価を行った。
論文 参考訳(メタデータ) (2020-02-27T06:33:56Z)
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。