論文の概要: Layer Ensembles: A Single-Pass Uncertainty Estimation in Deep Learning for Segmentation

• arxiv url: http://arxiv.org/abs/2203.08878v1
• Date: Wed, 16 Mar 2022 18:46:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-18 13:00:21.738684
• Title: Layer Ensembles: A Single-Pass Uncertainty Estimation in Deep Learning for Segmentation
• Title（参考訳）: Layer Ensembles: セグメンテーションのためのディープラーニングにおける単一パス不確実性推定
• Authors: Kaisar Kushibar, V\'ictor Manuel Campello, Lidia Garrucho Moras, Akis Linardos, Petia Radeva, Karim Lekadir
• Abstract要約: 本研究では,ネットワークの予測不確実性を推定するために,単一のパスのみを必要とする新しい不確実性推定手法であるLayer Ensemblesを提案する。 本稿では,2次元・3次元・2次元・複数クラスの医用画像分割タスクについて検討する。
• 参考スコア（独自算出の注目度）: 7.856209828002792
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Uncertainty estimation in deep learning has become a leading research field in medical image analysis due to the need for safe utilisation of AI algorithms in clinical practice. Most approaches for uncertainty estimation require sampling the network weights multiple times during testing or training multiple networks. This leads to higher training and testing costs in terms of time and computational resources. In this paper, we propose Layer Ensembles, a novel uncertainty estimation method that uses a single network and requires only a single pass to estimate predictive uncertainty of a network. Moreover, we introduce an image-level uncertainty metric, which is more beneficial for segmentation tasks compared to the commonly used pixel-wise metrics such as entropy and variance. We evaluate our approach on 2D and 3D, binary and multi-class medical image segmentation tasks. Our method shows competitive results with state-of-the-art Deep Ensembles, requiring only a single network and a single pass.
• Abstract（参考訳）: 深層学習における不確実性推定は、臨床実践におけるAIアルゴリズムの安全な活用の必要性から、医用画像解析における主要な研究分野となっている。 不確実性推定のアプローチのほとんどは、複数のネットワークのテストやトレーニング中に、ネットワークの重みを複数回サンプリングする必要がある。 これにより、時間と計算リソースの観点から、トレーニングとテストのコストが高まる。 本稿では,ネットワークの予測不確実性を推定するために,単一のパスのみを必要とする新しい不確実性推定手法であるLayer Ensemblesを提案する。 さらに,エントロピーや分散といった一般的な画素単位の指標と比較して,分割作業に有利な画像レベルの不確実性指標を導入する。 2dおよび3d,バイナリおよびマルチクラスの医用画像セグメンテーションタスクに対するアプローチを評価した。 提案手法は,1つのネットワークと1つのパスしか必要とせず,最先端のDeep Ensemblesと競合する結果を示す。

関連論文リスト

• Applications of Sequential Learning for Medical Image Classification [0.13191970195165517]
  我々は,少量の医用画像データの連続的トレーニングのためのニューラルネットワークトレーニングフレームワークを開発した。 過度な適合、破滅的な忘れ、概念の漂流といった、逐次学習を妨げる問題に対処する。
  論文  参考訳（メタデータ） (2023-09-26T00:46:25Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• CRISP - Reliable Uncertainty Estimation for Medical Image Segmentation [6.197149831796131]
  本研究では,不確実性予測のためのCRISPをContRastive Imageとして提案する。 CRISPはその中核として、有効なセグメンテーションの分布を符号化するジョイント潜在空間を学習するためのコントラスト的手法を実装している。 この共同潜伏空間を用いて予測を数千の潜伏ベクトルと比較し、解剖学的に一貫した不確実性写像を提供する。
  論文  参考訳（メタデータ） (2022-06-15T16:56:58Z)
• A Simple Approach to Improve Single-Model Deep Uncertainty via Distance-Awareness [33.09831377640498]
  本研究では,1つの決定論的表現に基づく1つのネットワークの不確実性向上手法について検討する。 本稿では,現代のDNNにおける距離認識能力を向上させる簡易な手法として,スペクトル正規化ニューラルガウス過程(SNGP)を提案する。 ビジョンと言語理解のベンチマークスイートでは、SNGPは予測、キャリブレーション、ドメイン外検出において、他の単一モデルアプローチよりも優れている。
  論文  参考訳（メタデータ） (2022-05-01T05:46:13Z)
• Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
  本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。 実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
  論文  参考訳（メタデータ） (2021-01-28T16:38:26Z)
• Fast Uncertainty Quantification for Deep Object Pose Estimation [91.09217713805337]
  深層学習に基づくオブジェクトポーズ推定は、しばしば信頼できない、自信過剰である。 本研究では,6-DoFオブジェクトのポーズ推定のための,シンプルで効率的かつプラグアンドプレイなUQ手法を提案する。
  論文  参考訳（メタデータ） (2020-11-16T06:51:55Z)
• Self-Loop Uncertainty: A Novel Pseudo-Label for Semi-Supervised Medical Image Segmentation [30.644905857223474]
  本稿では,医療画像セグメンテーションのためのラベル付きデータと大量のラベル付き画像を用いて,ニューラルネットワークを訓練するための半教師付きアプローチを提案する。 未ラベル画像に対する新たな擬似ラベル(いわゆる自己ループ不確実性)を基盤として、トレーニングセットを増強し、セグメンテーション精度を高める。
  論文  参考訳（メタデータ） (2020-07-20T02:52:07Z)
• ESPN: Extremely Sparse Pruned Networks [50.436905934791035]
  簡単な反復マスク探索法により,非常に深いネットワークの最先端の圧縮を実現することができることを示す。 本アルゴリズムは,シングルショット・ネットワーク・プルーニング法とロッテ・ティケット方式のハイブリッド・アプローチを示す。
  論文  参考訳（メタデータ） (2020-06-28T23:09:27Z)
• Depth Uncertainty in Neural Networks [2.6763498831034043]
  ディープラーニングにおける不確実性を推定する既存の方法は、複数の前方パスを必要とする傾向がある。 フィードフォワードネットワークのシーケンシャルな構造を利用することで、トレーニング目標を評価し、単一のフォワードパスで予測を行うことができる。 実世界の回帰と画像分類タスクに対する我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2020-06-15T14:33:40Z)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)
• Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
  本稿では,不対向画像分割のための新しい学習手法を提案する。 提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。 我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。