論文の概要: Leveraging Labeling Representations in Uncertainty-based Semi-supervised
Segmentation
- arxiv url: http://arxiv.org/abs/2203.05682v1
- Date: Thu, 10 Mar 2022 23:49:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-14 12:23:49.546319
- Title: Leveraging Labeling Representations in Uncertainty-based Semi-supervised
Segmentation
- Title(参考訳): 不確実性に基づく半教師付きセグメンテーションにおけるラベル表現の活用
- Authors: Sukesh Adiga V, Jose Dolz, Herve Lombaert
- Abstract要約: 半教師付きセグメンテーションは、ラベルなしデータを少量のラベル付きデータで活用することにより、アノテーションの不足に対処する。
有意義で信頼性の高い予測から徐々に学習する不確実性認識手法が提案されている。
本研究では,セグメンテーションマスクのラベル付け表現を利用して画素レベルの不確実性を推定する手法を提案する。
- 参考スコア(独自算出の注目度): 9.289524646688244
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semi-supervised segmentation tackles the scarcity of annotations by
leveraging unlabeled data with a small amount of labeled data. A prominent way
to utilize the unlabeled data is by consistency training which commonly uses a
teacher-student network, where a teacher guides a student segmentation. The
predictions of unlabeled data are not reliable, therefore, uncertainty-aware
methods have been proposed to gradually learn from meaningful and reliable
predictions. Uncertainty estimation, however, relies on multiple inferences
from model predictions that need to be computed for each training step, which
is computationally expensive. This work proposes a novel method to estimate the
pixel-level uncertainty by leveraging the labeling representation of
segmentation masks. On the one hand, a labeling representation is learnt to
represent the available segmentation masks. The learnt labeling representation
is used to map the prediction of the segmentation into a set of plausible
masks. Such a reconstructed segmentation mask aids in estimating the
pixel-level uncertainty guiding the segmentation network. The proposed method
estimates the uncertainty with a single inference from the labeling
representation, thereby reducing the total computation. We evaluate our method
on the 3D segmentation of left atrium in MRI, and we show that our uncertainty
estimates from our labeling representation improve the segmentation accuracy
over state-of-the-art methods.
- Abstract(参考訳): 半教師付きセグメンテーションは、ラベルなしデータを少量のラベル付きデータで活用することで、アノテーションの不足に対処する。
教師が生徒のセグメンテーションを指導する教師と学生のネットワークをよく利用する一貫性トレーニングによって、ラベルのないデータを活用する方法が顕著である。
ラベルなしデータの予測は信頼できないため、有意義で信頼性の高い予測から徐々に学ぶための不確実性認識手法が提案されている。
しかし、不確実性推定は、トレーニングの各ステップで計算される必要があるモデル予測からの複数の推論に依存する。
本研究では,セグメンテーションマスクのラベル付け表現を利用して画素レベルの不確実性を推定する手法を提案する。
一方、ラベル表現は利用可能なセグメンテーションマスクを表現するために学習される。
学習ラベリング表現は、セグメンテーションの予測を妥当なマスクの集合にマッピングするために使用される。
このような再構成されたセグメンテーションマスクは、セグメンテーションネットワークを導く画素レベルの不確かさを推定するのに役立つ。
提案手法はラベル表現から1つの推論で不確かさを推定し,全体の計算量を削減する。
我々は,MRIにおける左心房の3次元セグメンテーションについて評価し,ラベル付け表現からの不確実性評価により,最先端法よりもセグメンテーション精度が向上することを示した。
関連論文リスト
- Anatomically-aware Uncertainty for Semi-supervised Image Segmentation [12.175556059523863]
半教師付き学習は、ラベルなしデータを活用することにより、画像セグメンテーションのための大きなピクセル単位のラベル付きデータセットの必要性を緩和する。
不確実性推定法は、トレーニングの各ステップで計算しなければならないモデル予測からの複数の推論に依存する。
本研究では,セグメント化マスクのグローバル情報を活用することによってセグメント化の不確実性を推定する手法を提案する。
論文 参考訳(メタデータ) (2023-10-24T18:03:07Z) - NP-SemiSeg: When Neural Processes meet Semi-Supervised Semantic
Segmentation [87.50830107535533]
半教師付きセマンティックセグメンテーションでは、トレーニング時にピクセルワイズラベルをラベル付けされていない画像に割り当てる。
モデルによるクラスワイズ確率分布から各画素の擬似ラベルを予測し,半教師付きセマンティックセマンティックセマンティクスへのアプローチ
本研究では,NPを半教師付きセマンティックセグメンテーションに適応させることにより一歩前進し,NP-SemiSegと呼ばれる新しいモデルを実現する。
論文 参考訳(メタデータ) (2023-08-05T12:42:15Z) - Self-training with dual uncertainty for semi-supervised medical image
segmentation [9.538419502275975]
従来の自己学習手法は、反復学習のための擬似ラベルを生成することによって、ラベル付きデータ不足の問題を部分的に解決することができる。
サンプルレベルと画素レベルの不確実性を加えて,自己学習フレームワークに基づくトレーニングプロセスの安定化を図る。
提案手法は,同じ設定下で両方のデータセットのセグメンテーション性能を向上する。
論文 参考訳(メタデータ) (2023-04-10T07:57:24Z) - Semi-Supervised Semantic Segmentation via Gentle Teaching Assistant [72.4512562104361]
擬似ラベル付きラベル付きラベル付きデータは,特徴抽出器における代表的特徴の学習を容易にすることができると論じる。
そこで本研究では,擬似ラベルが特徴抽出器やマスク予測器に与える影響を解消する新しい枠組みであるジェントル指導アシスタント(GTA-Seg)を提案する。
論文 参考訳(メタデータ) (2023-01-18T07:11:24Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳(メタデータ) (2022-07-24T07:45:47Z) - GuidedMix-Net: Semi-supervised Semantic Segmentation by Using Labeled
Images as Reference [90.5402652758316]
半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。
ラベル付き情報を使用して、ラベルなしのインスタンスの学習をガイドする。
競合セグメンテーションの精度を達成し、mIoUを以前のアプローチに比べて+7$%大きく改善する。
論文 参考訳(メタデータ) (2021-12-28T06:48:03Z) - GuidedMix-Net: Learning to Improve Pseudo Masks Using Labeled Images as
Reference [153.354332374204]
半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。
まず、ラベル付きデータとラベルなしデータの間に特徴アライメントの目的を導入し、類似した画像対をキャプチャする。
MITransは、ラベルなしデータのさらなるプログレッシブな精細化のための強力な知識モジュールであることが示されている。
ラベル付きデータに対する教師付き学習とともに、ラベル付きデータの予測が生成した擬似マスクとともに学習される。
論文 参考訳(メタデータ) (2021-06-29T02:48:45Z) - Utilizing Uncertainty Estimation in Deep Learning Segmentation of
Fluorescence Microscopy Images with Missing Markers [7.812710681134931]
蛍光顕微鏡画像には複数のチャネルが含まれており、それぞれがサンプルを染色するマーカーを示している。
ディープラーニングベースのセグメンテーションモデルの適用は困難であり、すべてのトレーニングサンプルと将来のアプリケーションに対する推論において、事前に定義されたチャネルの組み合わせが期待できる。
画像セグメンテーションのための畳み込みニューラルネットワークのアレター的およびエピステマティックな不確かさを推定し, (i) 対応するセグメンテーション指標への回帰による不確実性特徴の解釈のためのランダムフォレストモデルを訓練することにより, ラベル付き画像のセグメンテーション品質を推定する方法を提案する。
論文 参考訳(メタデータ) (2021-01-27T15:06:04Z) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳(メタデータ) (2020-07-21T13:27:09Z)
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。