論文の概要: Identifying and Combating Bias in Segmentation Networks by leveraging multiple resolutions

• arxiv url: http://arxiv.org/abs/2206.14919v1
• Date: Wed, 29 Jun 2022 21:22:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-02 07:53:16.966512
• Title: Identifying and Combating Bias in Segmentation Networks by leveraging multiple resolutions
• Title（参考訳）: 複数の解像度を利用したセグメンテーションネットワークにおけるバイアスの同定と対処
• Authors: Leonie Henschel and David K\"ugler and Derek S Andrews and Christine W Nordahl and Martin Reuter
• Abstract要約: 本稿では,異なる画像解像度でのみトレーニングデータを利用できる2つのグループについて考察する。 グループHでは、利用可能な画像とラベルが好ましい高解像度であり、グループLでは非推奨の低解像度データが存在する。 データ分布におけるこの分解能バイアスが、より高い分解能で群Lの体系的に偏りのある予測にどのように伝播するかを分析する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Exploration of bias has significant impact on the transparency and applicability of deep learning pipelines in medical settings, yet is so far woefully understudied. In this paper, we consider two separate groups for which training data is only available at differing image resolutions. For group H, available images and labels are at the preferred high resolution while for group L only deprecated lower resolution data exist. We analyse how this resolution-bias in the data distribution propagates to systematically biased predictions for group L at higher resolutions. Our results demonstrate that single-resolution training settings result in significant loss of volumetric group differences that translate to erroneous segmentations as measured by DSC and subsequent classification failures on the low resolution group. We further explore how training data across resolutions can be used to combat this systematic bias. Specifically, we investigate the effect of image resampling, scale augmentation and resolution independence and demonstrate that biases can effectively be reduced with multi-resolution approaches.
• Abstract（参考訳）: 偏見の探索は、医学的設定におけるディープラーニングパイプラインの透明性と適用性に大きな影響を及ぼすが、これまでは十分に検討されていない。 本稿では,異なる画像解像度でのみトレーニングデータを利用できる2つのグループについて考察する。 グループHでは、利用可能な画像とラベルが好ましい高解像度であり、グループLでは非推奨の低解像度データが存在する。 データ分布におけるこの分解バイアスが,高分解能群lに対して系統的に偏りのある予測にどのように伝播するかを分析した。 以上の結果から,低分解能群における単分解能トレーニング設定は,DSCによる誤ったセグメンテーションと,それに続く低分解能群での分類失敗に相当な差が認められた。 我々はさらに,この系統的バイアスに対処するために,解像度をまたいだトレーニングデータを活用する方法について検討する。 具体的には,画像再サンプリング,スケール拡張,解像度独立性の効果を調査し,マルチレゾリューションアプローチによりバイアスを効果的に低減できることを示す。

関連論文リスト

• Trustworthy SR: Resolving Ambiguity in Image Super-resolution via Diffusion Models and Human Feedback [5.665865832321032]
  超解像(英: Super- resolution, SR)は、与えられた低分解能画像と整合した大量の実現可能な解を持つ不測の逆問題である。 そこで我々は,被験者に少数のサンプルを選定するよう依頼し,選択したサンプルの平均をアンサンブルする。 提案手法は,最先端のSR手法と比較して信頼性の高いソリューションを提供する。
  論文  参考訳（メタデータ） (2024-02-12T11:55:02Z)
• Learning from Multi-Perception Features for Real-Word Image Super-resolution [87.71135803794519]
  入力画像の複数の知覚的特徴を利用する新しいSR手法MPF-Netを提案する。 本稿では,MPFEモジュールを組み込んで,多様な知覚情報を抽出する手法を提案する。 また、モデルの学習能力を向上する対照的な正規化項(CR)も導入する。
  論文  参考訳（メタデータ） (2023-05-26T07:35:49Z)
• Learning Resolution-Adaptive Representations for Cross-Resolution Person Re-Identification [49.57112924976762]
  低解像度(LR)クエリIDイメージと高解像度(HR)ギャラリーイメージとの整合性を実現する。 実際のカメラとの違いにより、クエリ画像が分解能の低下に悩まされることがしばしばあるため、これは困難かつ実用的な問題である。 本稿では,問合せ画像の解像度に適応する動的計量を用いて,HRとLRの画像を直接比較するためのSRフリーなパラダイムについて検討する。
  論文  参考訳（メタデータ） (2022-07-09T03:49:51Z)
• Learning to Downsample for Segmentation of Ultra-High Resolution Images [6.432524678252553]
  空間的に変化するダウンサンプリング戦略とセグメンテーションを併用して学習することで,計算予算に制限のある大きな画像のセグメンテーションにメリットがあることが示される。 本手法は, サンプリング密度を異なる場所に適用することにより, より小さな重要な領域から, より少ない領域からより多くのサンプルを収集する。 2つの公開データセットと1つのローカル高解像度データセットについて、本手法は、より多くの情報を保存するためのサンプリング位置を一貫して学習し、ベースライン法よりもセグメンテーション精度を向上することを示す。
  論文  参考訳（メタデータ） (2021-09-22T23:04:59Z)
• Enhancing Fine-Grained Classification for Low Resolution Images [97.82441158440527]
  低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。 本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。 提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
  論文  参考訳（メタデータ） (2021-05-01T13:19:02Z)
• Hierarchical Deep CNN Feature Set-Based Representation Learning for Robust Cross-Resolution Face Recognition [59.29808528182607]
  クロスリゾリューション顔認識(CRFR)は、インテリジェントな監視およびバイオメトリックフォレンジックにおいて重要である。 既存の浅層学習と深層学習に基づく手法は、HR-LR対を共同特徴空間にマッピングすることに焦点を当てている。 本研究では,多レベル深層畳み込みニューラルネットワーク(CNN)の機能を完全に活用し,堅牢なCRFRを実現することを目的とする。
  論文  参考訳（メタデータ） (2021-03-25T14:03:42Z)
• Discriminative Residual Analysis for Image Set Classification with Posture and Age Variations [27.751472312581228]
  識別残差分析(DRA)は分類性能を向上させるために提案される。 DRAは、残差表現を識別部分空間にキャストする強力な射影を得ようとする。 2つの正則化アプローチは、可能な小さなサンプルサイズ問題に対処するために使用される。
  論文  参考訳（メタデータ） (2020-08-23T08:53:06Z)
• Invertible Image Rescaling [118.2653765756915]
  Invertible Rescaling Net (IRN) を開発した。 我々は、ダウンスケーリングプロセスにおいて、指定された分布に従う潜在変数を用いて、失われた情報の分布をキャプチャする。
  論文  参考訳（メタデータ） (2020-05-12T09:55:53Z)
• Feature Super-Resolution Based Facial Expression Recognition for Multi-scale Low-Resolution Faces [7.634398926381845]
  超解像法はしばしば低分解能画像の高精細化に使用されるが、FERタスクの性能は極低分解能画像では制限される。 本研究では,物体検出のための特徴的超解像法に触発されて,頑健な表情認識のための新たな生成逆ネットワークに基づく超解像法を提案する。
  論文  参考訳（メタデータ） (2020-04-05T15:38:47Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。