論文の概要: Efficient Training of High-Resolution Representation Seismic Image Fault Segmentation Network by Weakening Anomaly Labels

• arxiv url: http://arxiv.org/abs/2110.05319v1
• Date: Mon, 11 Oct 2021 14:39:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 21:00:41.159976
• Title: Efficient Training of High-Resolution Representation Seismic Image Fault Segmentation Network by Weakening Anomaly Labels
• Title（参考訳）: 異常ラベルの弱化による高分解能画像分割ネットワークの効率的な学習
• Authors: Yimin Dou, Kewen Li, Jianbing Zhu, Shaoquan Tan, Zongchao Huang, Xiao Li
• Abstract要約: 地震画像の高分解能特性を常に維持するフォールトネットと,断層のエッジ情報を保存する推論プロセスを提案する。 Fault-Net パラメータは 0.42MB で、16GB のビデオラムで5283 (1.5x108, Float32) の大きさの立方体推論をサポートする。
• 参考スコア（独自算出の注目度）: 6.49102239576225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Seismic data fault detection has recently been regarded as a 3D image segmentation task. The nature of fault structures in seismic image makes it difficult to manually label faults. Manual labeling often has many false negative labels (abnormal labels), which will seriously harm the training process. In this work, we find that region-based loss significantly outperforms distribution-based loss when dealing with falsenegative labels, therefore we propose Mask Dice loss (MD loss), which is the first reported region-based loss function for training 3D image segmentation models using sparse 2D slice labels. In addition, fault is an edge feature, and the current network widely used for fault segmentation downsamples the features multiple times, which is not conducive to edge characterization and thus requires many parameters and computational effort to preserve the features. We propose Fault-Net, which always maintains the high-resolution features of seismic images, and the inference process preserves the edge information of faults and performs effective feature fusion to achieve high-quality fault segmentation with only a few parameters and computational effort. Experimental results show that MD loss can clearly weaken the effect of anomalous labels. The Fault-Net parameter is only 0.42MB, support up to 528^3(1.5x10^8, Float32) size cuboid inference on 16GB video ram, and its inference speed on CPU and GPU is significantly faster than other networks, but the result of our method is the state-of-the-art in the FORCE fault identification competition.
• Abstract（参考訳）: 地震データ障害検出は,近年,3次元画像分割課題と見なされている。 地震画像における断層構造の性質は,手動による断層のラベル付けを困難にしている。 手動ラベリングは、しばしば多くの偽陰性ラベル(異常ラベル)を持ち、トレーニングプロセスに深刻なダメージを与える。 本研究では,偽陰性ラベルを扱う場合,領域ベース損失が分布ベース損失を著しく上回ることを見出し,スパース2次元スライスラベルを用いた3次元画像分割モデルのトレーニングにおいて,最初に報告された領域ベース損失関数であるマスクダイス損失(mdロス)を提案する。 さらに、障害はエッジの特徴であり、現在のネットワークは障害セグメンテーションに広く使われており、エッジ特性には影響しないため、特徴の保存には多くのパラメータと計算作業が必要である。 地震画像の高分解能な特徴を常に維持するフォールトネットを提案し,その推論プロセスは断層のエッジ情報を保存し,有効機能融合を行い,少数のパラメータと計算作業のみで高品質なフォールトセグメンテーションを実現する。 実験の結果,MD損失は異常ラベルの効果を著しく低下させることが示された。 フォールトネットパラメータは0.42MBで、16GBの動画ラム上で最大528^3(1.5x10^8, Float32)の大きさの立方体推論をサポートし、CPUやGPUでの推論速度は他のネットワークよりもかなり速いが、本手法の結果はForCEの故障識別競争における最先端技術である。

関連論文リスト

• Towards Modality-agnostic Label-efficient Segmentation with Entropy-Regularized Distribution Alignment [62.73503467108322]
  この話題は、3次元の点雲のセグメンテーションで広く研究されている。 近年まで、擬似ラベルは、限られた地道ラベルによる訓練を容易にするために広く用いられてきた。 既存の擬似ラベリングアプローチは、重複しないデータのノイズやバリエーションに悩まされる可能性がある。 本研究では,学習用擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭める学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-29T13:31:15Z)
• A 2D Sinogram-Based Approach to Defect Localization in Computed Tomography [3.4916237834391874]
  画像再構成に頼らずにオブジェクト内の欠陥を特定し解析するための総合的な3段階深層学習アルゴリズムを提案する。 提案手法は, 512画素幅の検出器上での欠陥検出における平均位置誤差1.3ピクセルを用いて, シミュレーションデータ上での92.02%のユニオンの切断を実現する。
  論文  参考訳（メタデータ） (2024-01-29T12:20:26Z)
• 2D Feature Distillation for Weakly- and Semi-Supervised 3D Semantic Segmentation [92.17700318483745]
  合成訓練された2Dセマンティックセマンティックセグメンテーションネットワークから高レベル特徴情報を蒸留するアイデアに基づく画像誘導ネットワーク(IGNet)を提案する。 IGNetは、ScribbleKITTI上の弱い教師付きLiDARセマンティックセマンティックセグメンテーションの最先端の結果を達成し、8%のラベル付きポイントしか持たない完全な教師付きトレーニングに対して最大98%のパフォーマンスを誇っている。
  論文  参考訳（メタデータ） (2023-11-27T07:57:29Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Super-Resolution Based Patch-Free 3D Image Segmentation with High-Frequency Guidance [20.86089285980103]
  磁気共鳴画像(MRI)やCT(CT)などの医用画像など,近年,高分解能(HR)3D画像が広く利用されている。
  論文  参考訳（メタデータ） (2022-10-26T11:46:08Z)
• SALISA: Saliency-based Input Sampling for Efficient Video Object Detection [58.22508131162269]
  ビデオオブジェクト検出のための新しい一様SALiencyベースの入力SAmpling技術であるSALISAを提案する。 SALISAは小物体の検出を著しく改善することを示す。
  論文  参考訳（メタデータ） (2022-04-05T17:59:51Z)
• Reducing Redundancy in the Bottleneck Representation of the Autoencoders [98.78384185493624]
  オートエンコーダは教師なしニューラルネットワークの一種であり、様々なタスクを解くのに使用できる。 本稿では,ボトルネック表現における特徴冗長性を明示的に罰する手法を提案する。 我々は,3つの異なるデータセットを用いた次元削減,MNISTデータセットを用いた画像圧縮,ファッションMNISTを用いた画像デノナイズという,さまざまなタスクにまたがってアプローチを検証した。
  論文  参考訳（メタデータ） (2022-02-09T18:48:02Z)
• Seismic Fault Segmentation via 3D-CNN Training by a Few 2D Slices Labels [6.963867115353744]
  我々は3次元地震データから2次元スライスをサンプリングし,新しい2次元クロスエントロピーと滑らかなL1損失を3D-CNNの訓練に適用する。 実験により,実データから2次元スライスラベルから3次元地震特性を抽出し,断層容積を分割できることを示した。
  論文  参考訳（メタデータ） (2021-05-09T07:13:40Z)
• Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
  本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。 私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
  論文  参考訳（メタデータ） (2020-08-06T02:07:21Z)
• Few-Shot Defect Segmentation Leveraging Abundant Normal Training Samples Through Normal Background Regularization and Crop-and-Paste Operation [4.626338154327536]
  産業検査作業では, 欠陥のない画像サンプルが豊富だが, 異常な画像が極めて少ないことが一般的である。 本論文は,正常な(欠陥のない)トレーニングイメージを十分に用いながら,異常な部分しか持たない,難解な少数ショット欠陥分割課題に対処する。 UNetライクなエンコーダ-デコーダ欠陥分割ネットワークのトレーニングに、豊富な欠陥のないイメージを組み込むことにより、2つの効果的な正則化手法を提案する。
  論文  参考訳（メタデータ） (2020-07-18T14:15:42Z)
• An Elastic Interaction-Based Loss Function for Medical Image Segmentation [10.851295591782538]
  本稿では,医用画像セグメンテーションのための長距離弾性相互作用に基づくトレーニング戦略を提案する。 この戦略において、CNNは予測領域の境界と実際の物体の境界との間の弾性相互作用エネルギーの誘導の下で対象領域を学習する。 実験結果から,本手法は一般的に用いられている画素単位の損失関数と比較して,大幅な改善が可能であることが示された。
  論文  参考訳（メタデータ） (2020-07-06T11:49:14Z)

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。