論文の概要: Adjusting the Ground Truth Annotations for Connectivity-Based Learning to Delineate

• arxiv url: http://arxiv.org/abs/2112.02781v1
• Date: Mon, 6 Dec 2021 04:34:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-07 16:29:44.973722
• Title: Adjusting the Ground Truth Annotations for Connectivity-Based Learning to Delineate
• Title（参考訳）: 接続性に基づく学習のための接地真実アノテーションの調整
• Authors: Doruk Oner, Leonardo Citraro, Mateusz Kozi\'nski, Pascal Fua
• Abstract要約: 本稿では,アノテーションの不正確さを明示的に説明する手法を提案する。 アノテーションは、トポロジを保ちながら自分自身を変形させることができるアクティブな輪郭モデルとして扱う。 これにより、ネットワークを共同でトレーニングし、元のアノテーションの潜在的なエラーを修正することができます。
• 参考スコア（独自算出の注目度）: 69.74821030699638
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based approaches to delineating 3D structure depend on accurate annotations to train the networks. Yet, in practice, people, no matter how conscientious, have trouble precisely delineating in 3D and on a large scale, in part because the data is often hard to interpret visually and in part because the 3D interfaces are awkward to use. In this paper, we introduce a method that explicitly accounts for annotation inaccuracies. To this end, we treat the annotations as active contour models that can deform themselves while preserving their topology. This enables us to jointly train the network and correct potential errors in the original annotations. The result is an approach that boosts performance of deep networks trained with potentially inaccurate annotations.
• Abstract（参考訳）: ディープラーニングに基づく3d構造記述のアプローチは、ネットワークをトレーニングするための正確なアノテーションに依存する。 しかし、実際には、どんなに良心的でも、データを視覚的に解釈することが難しいことや、3dインターフェースが使いづらいことなどから、人々は3dと大規模で正確に境界を定めるのに苦労している。 本稿では,アノテーションの不正確性を明示的に考慮する手法を提案する。 この目的のために、我々はアノテーションを、トポロジーを維持しながら自身を変形できるアクティブな輪郭モデルとして扱う。 これにより、ネットワークを共同でトレーニングし、元のアノテーションの潜在的なエラーを修正することができます。 その結果、潜在的に不正確なアノテーションでトレーニングされたディープネットワークのパフォーマンスが向上する。

関連論文リスト

• Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
  3Dセグメンテーションはコンピュータビジョンの中核的な問題である。 完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。 半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
  論文  参考訳（メタデータ） (2024-09-12T14:54:31Z)
• Neural Semantic Surface Maps [52.61017226479506]
  本稿では,2つの属とゼロの形状の地図を自動計算する手法を提案する。 提案手法は,手動のアノテーションや3Dトレーニングデータ要求を排除し,意味的表面-表面マップを生成する。
  論文  参考訳（メタデータ） (2023-09-09T16:21:56Z)
• 3D Medical Image Segmentation with Sparse Annotation via Cross-Teaching between 3D and 2D Networks [26.29122638813974]
  本稿では,3次元ネットワークと2次元ネットワークの相互学習を用いて,スパースアノテーションから頑健に学習できるフレームワークを提案する。 MMWHSデータセットに対する実験結果から,本手法は最先端(SOTA)半教師付きセグメンテーション法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） (2023-07-30T15:26:17Z)
• ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
  本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。 中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。 直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
  論文  参考訳（メタデータ） (2022-12-12T13:10:19Z)
• S$^2$Contact: Graph-based Network for 3D Hand-Object Contact Estimation with Semi-Supervised Learning [70.72037296392642]
  モノクロ画像から接触を学習できる新しい半教師付きフレームワークを提案する。 具体的には、大規模データセットにおける視覚的および幾何学的整合性制約を利用して擬似ラベルを生成する。 より正確な再構築を行うために手動インタラクションを規定するコンタクトマップを使用することの利点を示す。
  論文  参考訳（メタデータ） (2022-08-01T14:05:23Z)
• Consistent Explanations by Contrastive Learning [15.80891456718324]
  Grad-CAMのようなポストホック評価技術により、人間は特定のネットワーク決定に責任のある空間領域を検査することができる。 より一貫した説明を生み出すためにモデルをトレーニングするための新しいトレーニング手法を提案する。 提案手法であるContrastive Grad-CAM Consistency (CGC) は,人間のアノテーションと一致したGrad-CAM解釈熱マップを生成する。
  論文  参考訳（メタデータ） (2021-10-01T16:49:16Z)
• 3D Segmentation Learning from Sparse Annotations and Hierarchical Descriptors [7.161067294394475]
  GIDSegはスパースアノテーションからセグメンテーションを同時に学習できる新しいアプローチである。 GIDSegは、動的エッジ畳み込みネットワークを介して、グローバルおよび個別の関係を描いている。 逆学習モジュールは、ID記述子の条件制約をさらに強化するためにも設計されている。
  論文  参考訳（メタデータ） (2021-05-27T00:31:37Z)
• Adjoint Rigid Transform Network: Task-conditioned Alignment of 3D Shapes [86.2129580231191]
  Adjoint Rigid Transform (ART) Networkは、さまざまな3Dネットワークと統合可能なニューラルネットワークモジュールである。 ARTは入力の形状を学習した標準方向に回転させることを学び、多くのタスクに欠かせない。 さらなる研究のために、コードと事前訓練されたモデルをリリースします。
  論文  参考訳（メタデータ） (2021-02-01T20:58:45Z)

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。