論文の概要: blob loss: instance imbalance aware loss functions for semantic segmentation

• arxiv url: http://arxiv.org/abs/2205.08209v3
• Date: Tue, 6 Jun 2023 17:54:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-08 00:02:35.453635
• Title: blob loss: instance imbalance aware loss functions for semantic segmentation
• Title（参考訳）: ブロブ損失: セマンティックセグメンテーションのためのインスタンス不均衡認識損失関数
• Authors: Florian Kofler, Suprosanna Shit, Ivan Ezhov, Lucas Fidon, Izabela Horvath, Rami Al-Maskari, Hongwei Li, Harsharan Bhatia, Timo Loehr, Marie Piraud, Ali Erturk, Jan Kirschke, Jan C. Peeken, Tom Vercauteren, Claus Zimmer, Benedikt Wiestler, Bjoern Menze
• Abstract要約: 本稿では,インスタンスレベルの検出基準を最大化することを目的とした,損失関数の新たなファミリーであるエンフェブロブ損失を提案する。 複雑な5つの3次元セマンティックセグメンテーションタスクにおいて,DSCに基づくエンフェブロブ損失を広範囲に評価した。
• 参考スコア（独自算出の注目度）: 6.2334511723202
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep convolutional neural networks (CNN) have proven to be remarkably effective in semantic segmentation tasks. Most popular loss functions were introduced targeting improved volumetric scores, such as the Dice coefficient (DSC). By design, DSC can tackle class imbalance, however, it does not recognize instance imbalance within a class. As a result, a large foreground instance can dominate minor instances and still produce a satisfactory DSC. Nevertheless, detecting tiny instances is crucial for many applications, such as disease monitoring. For example, it is imperative to locate and surveil small-scale lesions in the follow-up of multiple sclerosis patients. We propose a novel family of loss functions, \emph{blob loss}, primarily aimed at maximizing instance-level detection metrics, such as F1 score and sensitivity. \emph{Blob loss} is designed for semantic segmentation problems where detecting multiple instances matters. We extensively evaluate a DSC-based \emph{blob loss} in five complex 3D semantic segmentation tasks featuring pronounced instance heterogeneity in terms of texture and morphology. Compared to soft Dice loss, we achieve 5% improvement for MS lesions, 3% improvement for liver tumor, and an average 2% improvement for microscopy segmentation tasks considering F1 score.
• Abstract（参考訳）: 深層畳み込みニューラルネットワーク(CNN)はセマンティックセグメンテーションタスクにおいて極めて有効であることが証明されている。 一般的な損失関数は、Dice coefficient (DSC)のような改善されたボリュームスコアをターゲットとして導入された。 設計上、DSCはクラス不均衡に取り組むことができるが、クラス内のインスタンス不均衡を認識しない。 その結果、大きなフォアグラウンドインスタンスが小さなインスタンスを支配し、それでも満足のいくDSCを生成する。 それでも、病気のモニタリングなど、多くのアプリケーションにおいて、小さなインスタンスの検出は不可欠である。 例えば、多発性硬化症患者の経過観察において、小規模病変の発見と監視が不可欠である。 本稿では,F1スコアや感度などのインスタンスレベルの検出値の最大化を主な目的とする,損失関数の新たなファミリーであるemph{blob loss}を提案する。 emph{Blob loss}は、複数のインスタンスを検出するセグメンテーション問題のために設計されている。 テクスチャと形態の両面でのインスタンスの不均一性を特徴とする5つの複雑な3次元セマンティックセマンティックセグメンテーションタスクにおいて,DSCに基づくemph{blob loss}を広範囲に評価した。 軟Dice損失と比較して,MS病変の5%改善,肝腫瘍の3%改善,F1スコアを考慮した顕微鏡分割作業の2%改善を実現した。

関連論文リスト

• Improving Segmentation of Objects with Varying Sizes in Biomedical Images using Instance-wise and Center-of-Instance Segmentation Loss Function [0.3437656066916039]
  本稿では,バイオメディカル画像分割作業において,ICIロスと呼ばれる新たな2成分損失を提案する。 ICI損失は、Dice損失のような画素単位の損失関数を使用する場合によく発生するインスタンス不均衡問題に対処する。
  論文  参考訳（メタデータ） (2023-04-13T02:53:50Z)
• Triplet Loss-less Center Loss Sampling Strategies in Facial Expression Recognition Scenarios [5.672538282456803]
  ディープ・ニューラルネットワーク(DNN)とディープ・メトリック・ラーニング(DML)技術は、モデルInFERアプリケーションの識別能力を高める。 我々は, 完全合成, 半合成, 予測に基づく負のサンプル選択戦略の3つの戦略を開発した。 より優れた結果を得るために、画素ワイドと素子ワイドのアテンション係数の組み合わせを提供する選択的アテンションモジュールを導入する。
  論文  参考訳（メタデータ） (2023-02-08T15:03:36Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• Do Lessons from Metric Learning Generalize to Image-Caption Retrieval? [67.45267657995748]
  半ハードな負のトリプルト損失は、スクラッチから最適化されたイメージキャプション検索(ICR)メソッドのデファクト選択となっている。 近年のメトリクス学習の進歩により、画像検索や表現学習といったタスクにおいて、三重項損失を上回る新たな損失関数が生まれている。 これらの結果は,2つのICR法における3つの損失関数を比較することで,ICRの設定に一般化するかどうかを問う。
  論文  参考訳（メタデータ） (2022-02-14T15:18:00Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Offset Curves Loss for Imbalanced Problem in Medical Segmentation [15.663236378920637]
  我々は,輪郭内領域と輪郭内領域の両方を考慮した新しい深層学習モデルを構築した。 提案するオフセット曲線(OsC)損失は3つの主要な適合項からなる。 提案したOsC損失を2次元ネットワークと3次元ネットワークの両方で評価した。
  論文  参考訳（メタデータ） (2020-12-04T08:35:21Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• Class-Agnostic Segmentation Loss and Its Application to Salient Object Detection and Segmentation [17.532822703595766]
  そこで我々はCAS(class-agnostic segmentation)ロスと呼ばれる新しい損失関数を提案する。 CAS損失関数はスパースであり, 有界であり, クラス不均衡に対して頑健であることを示す。 低忠実度および高忠実度トレーニングデータの2つの設定における最先端手法に対する性能について検討する。
  論文  参考訳（メタデータ） (2020-10-28T07:11:15Z)
• $\sigma^2$R Loss: a Weighted Loss by Multiplicative Factors using Sigmoidal Functions [0.9569316316728905]
  我々は,二乗還元損失(sigma2$R損失)と呼ばれる新たな損失関数を導入する。 我々の損失は明らかな直観と幾何学的解釈を持ち、我々の提案の有効性を実験によって実証する。
  論文  参考訳（メタデータ） (2020-09-18T12:34:40Z)
• Universal Loss Reweighting to Balance Lesion Size Inequality in 3D Medical Image Segmentation [50.63623720394348]
  ネットワークの小さな病変の検出能力を高めるために,損失再重み付け手法を提案する。 Dice Loss, Focal Loss, Asymmetric similarity Lossなど,よく知られた損失関数に対する本手法の利点を報告する。 実験の結果, 逆重み付けは検出品質を著しく向上させる一方で, 最先端のデライン化品質を保っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-20T12:08:22Z)
• Enhancing Geometric Factors in Model Learning and Inference for Object Detection and Instance Segmentation [91.12575065731883]
  境界ボックス回帰および非最大抑圧(NMS)における幾何学的要素の強化を目的とした完全IoU損失とクラスタNMSを提案する。 CIoU損失を用いたディープラーニングモデルのトレーニングは、広く採用されている$ell_n$-norm損失とIoUベースの損失と比較して、一貫性のあるAPとARの改善をもたらす。 クラスタ-NMSは、純粋なGPU実装のため非常に効率的であり、APとARの両方を改善するために幾何学的要素を組み込むことができる。
  論文  参考訳（メタデータ） (2020-05-07T16:00:27Z)

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。