論文の概要: FixMatchSeg: Fixing FixMatch for Semi-Supervised Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2208.00400v2
- Date: Tue, 2 Aug 2022 16:49:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-03 11:06:06.224104
- Title: FixMatchSeg: Fixing FixMatch for Semi-Supervised Semantic Segmentation
- Title（参考訳）: FixMatchSeg: 半スーパービジョンのセマンティックセグメンテーションのためのFixMatchの修正
- Authors: Pratima Upretee, Bishesh Khanal
- Abstract要約: セマンティック・メディカル・イメージ・セグメンテーションのための改良されたディープラーニング手法が近年人気を集めている。
リソース制約のある設定では、多くの注釈付き画像を取得することは、主に専門家を必要とするため、非常に難しい。
本研究では,現在最先端の半教師付き分類手法であるFixMatchをセマンティックセグメンテーションタスクに適用し,FixMatchSegを導入する。
- 参考スコア（独自算出の注目度）: 0.24366811507669117
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Supervised deep learning methods for semantic medical image segmentation are
getting increasingly popular in the past few years.However, in resource
constrained settings, getting large number of annotated images is very
difficult as it mostly requires experts, is expensive and
time-consuming.Semi-supervised segmentation can be an attractive solution where
a very few labeled images are used along with a large number of unlabeled ones.
While the gap between supervised and semi-supervised methods have been
dramatically reduced for classification problems in the past couple of years,
there still remains a larger gap in segmentation methods. In this work, we
adapt a state-of-the-art semi-supervised classification method FixMatch to
semantic segmentation task, introducing FixMatchSeg. FixMatchSeg is evaluated
in four different publicly available datasets of different anatomy and
different modality: cardiac ultrasound, chest X-ray, retinal fundus image, and
skin images. When there are few labels, we show that FixMatchSeg performs on
par with strong supervised baselines.
- Abstract（参考訳）: セマンティックな医用画像セグメンテーションのための教師付き深層学習手法は、ここ数年でますます人気が高まっているが、リソース制限された設定では、多くの注釈付き画像を取得することは、主に専門家が必要であり、費用がかかり、時間がかかるため、非常に難しい。
近年, 分類問題において, 教師付き手法と半教師付き手法のギャップは劇的に縮小されているが, セグメンテーション手法のギャップは依然として大きい。
本研究では,最先端の半教師付き分類法fixmatchを意味セグメンテーションタスクに適用し,fixmatchsegを導入する。
fixmatchsegは、心臓超音波、胸部x線、網膜底画像、皮膚画像の4つの異なる解剖学的、異なるモダリティのデータセットで評価されている。
ラベルがほとんどない場合、FixMatchSegが強力な教師付きベースラインと同等に動作することを示す。
関連論文リスト
- Learning Semantic Segmentation with Query Points Supervision on Aerial Images [57.09251327650334]
セマンティックセグメンテーションアルゴリズムを学習するための弱教師付き学習アルゴリズムを提案する。
提案手法は正確なセマンティックセグメンテーションを行い,手作業のアノテーションに要するコストと時間を大幅に削減することで効率を向上する。
論文 参考訳（メタデータ） (2023-09-11T14:32:04Z) - Trustworthy Deep Learning for Medical Image Segmentation [1.0152838128195467]
深層学習に基づくセグメンテーション法の主な制限は、画像取得プロトコルにおける可変性に対する堅牢性の欠如である。
多くの場合、手動による医用画像のセグメンテーションは高度に熟練したラッカーを必要とし、時間を要する。
この論文は、これらの制限を緩和する新しい数学的および最適化手法を導入している。
論文 参考訳（メタデータ） (2023-05-27T12:12:53Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Reference-guided Pseudo-Label Generation for Medical Semantic
Segmentation [25.76014072179711]
本稿では,半教師付きセマンティックセグメンテーションのための管理手法を提案する。
少数のラベル付き画像を参照材料として使用し、未ラベル画像中の画素と参照集合内の最適な画素のセマンティクスを一致させる。
我々は,X線解剖学的セグメンテーションにおける標準完全教師付きモデルと同じ性能を達成するが,ラベル付き画像の95%は少ない。
論文 参考訳（メタデータ） (2021-12-01T12:21:24Z) - POPCORN: Progressive Pseudo-labeling with Consistency Regularization and
Neighboring [3.4253416336476246]
半教師付き学習(SSL)では、ラベルのないデータを使用して、画像の不足と、未確認領域へのメソッドの一般化の欠如を補う。
画像分割のための整合正則化と擬似ラベル化を組み合わせた新しい手法POPCORNを提案する。
論文 参考訳（メタデータ） (2021-09-13T23:36:36Z) - Contrastive Semi-Supervised Learning for 2D Medical Image Segmentation [16.517086214275654]
フルイメージではなく,画像パッチにContrastive Learning(CL)を適用した,新しい半教師付き2次元医療セグメンテーションソリューションを提案する。
これらのパッチは、擬似ラベリングによって得られた異なるクラスの意味情報を用いて有意義に構築される。
また,コントラスト学習と相乗効果を持つ新しい整合正規化手法を提案する。
論文 参考訳（メタデータ） (2021-06-12T15:43:24Z) - Semantic Segmentation with Generative Models: Semi-Supervised Learning
and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。
我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。
ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文 参考訳（メタデータ） (2021-04-12T21:41:25Z) - Exposing Semantic Segmentation Failures via Maximum Discrepancy
Competition [102.75463782627791]
オープンビジュアルの世界において,既存の意味セグメンテーション手法の失敗を露呈することで,質問に答える。
モデル改ざんに関するこれまでの研究に触発され、任意に大きい画像セットから始まり、2つのセグメンテーション方法間の差分法(MAD)をMAximizingすることによって、小さな画像セットを自動的にサンプリングします。
選択された画像は、2つの方法のいずれか(または両方)を偽造する最大の可能性を持っている。
また,MADコンペティションにおいて,障害の露呈が困難であるセグメンテーション法について検討した。
論文 参考訳（メタデータ） (2021-02-27T16:06:25Z) - A Few Guidelines for Incremental Few-Shot Segmentation [57.34237650765928]
事前訓練されたセグメンテーションモデルと、新しいクラスを含む画像が少ないことを前提として、我々が目指すのは、以前に見たセグメンテーション能力を維持しながら、新しいクラスをセグメンテーションすることである。
このシナリオにおけるエンド・ツー・エンドのトレーニングの主な問題はどのようなものかを示します。
一 バッチ正規化統計を、バッチ正規化で修正できる新しいクラスへ向けての漂流すること。
二 旧クラスの忘れ物 正規化戦略で解決できるもの。
論文 参考訳（メタデータ） (2020-11-30T20:45:56Z) - Grafit: Learning fine-grained image representations with coarse labels [114.17782143848315]
本稿では,学習ラベルの提供するものよりも細かな表現を学習する問題に対処する。
粗いラベルと下層の細粒度潜在空間を併用することにより、カテゴリレベルの検索手法の精度を大幅に向上させる。
論文 参考訳（メタデータ） (2020-11-25T19:06:26Z) - Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray
Images [0.0]
医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。
本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
論文 参考訳（メタデータ） (2020-07-01T20:48:35Z)
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。