論文の概要: Edge-Based Self-Supervision for Semi-Supervised Few-Shot Microscopy Image Cell Segmentation

• arxiv url: http://arxiv.org/abs/2208.02105v1
• Date: Wed, 3 Aug 2022 14:35:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-04 13:14:59.839841
• Title: Edge-Based Self-Supervision for Semi-Supervised Few-Shot Microscopy Image Cell Segmentation
• Title（参考訳）: エッジ型半教師ド・マイズショット・イメージセルセグメンテーションのための自己スーパービジョン
• Authors: Youssef Dawoud, Katharina Ernst, Gustavo Carneiro, Vasileios Belagiannis
• Abstract要約: 本稿では,未ラベル画像の訓練を自己監督するためのエッジマップの予測を提案する。 実験の結果,従来のトレーニングセットの10%など,少数のアノテートされたイメージだけが,完全なアノテートされたデータベースを1～10ショットで処理するのと同じようなパフォーマンスに達するには十分であることがわかった。
• 参考スコア（独自算出の注目度）: 16.94384366469512
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks currently deliver promising results for microscopy image cell segmentation, but they require large-scale labelled databases, which is a costly and time-consuming process. In this work, we relax the labelling requirement by combining self-supervised with semi-supervised learning. We propose the prediction of edge-based maps for self-supervising the training of the unlabelled images, which is combined with the supervised training of a small number of labelled images for learning the segmentation task. In our experiments, we evaluate on a few-shot microscopy image cell segmentation benchmark and show that only a small number of annotated images, e.g. 10% of the original training set, is enough for our approach to reach similar performance as with the fully annotated databases on 1- to 10-shots. Our code and trained models is made publicly available
• Abstract（参考訳）: ディープニューラルネットワークは現在、顕微鏡による画像セルのセグメンテーションに有望な結果を提供しているが、大規模にラベル付けされたデータベースが必要である。 本研究では,自己教師あり学習と半教師あり学習を組み合わせることでラベル付け要件を緩和する。 そこで本研究では,未ラベル画像の自己教師あり学習のためのエッジベースマップの予測と,少数のラベル画像の教師あり学習とを組み合わせることにより,セグメンテーションタスクを学習する。 実験では,数ショットの顕微鏡画像セルセグメンテーションベンチマークで評価し,最初のトレーニングセットの10%など,少数のアノテートされた画像だけが,1～10ショットの完全アノテートされたデータベースと同様のパフォーマンスに達するには十分であることを示す。 私たちのコードとトレーニングされたモデルは公開されています

関連論文リスト

• Self-supervised dense representation learning for live-cell microscopy with time arrow prediction [0.0]
  生の未ラベルライブセル顕微鏡ビデオから高密度画像表現を学習する自己教師方式を提案する。 得られた高密度表現は、本質的に時間非対称な生物学的過程、例えばピクセルレベルでの細胞分裂を捉えていることを示す。 提案手法は,特に限定的な真理アノテーションが利用できる場合に,教師付き手法よりも優れる。
  論文  参考訳（メタデータ） (2023-05-09T14:58:13Z)
• Learning with minimal effort: leveraging in silico labeling for cell and nucleus segmentation [0.6465251961564605]
  In Silico Labeling (ISL) をセグメンテーションタスクの事前学習手法として用いることを提案する。 いくつかのトレーニングセットサイズでセグメンテーション性能を比較することで、このようなスキームは必要なアノテーションの数を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2023-01-10T11:35:14Z)
• Which Pixel to Annotate: a Label-Efficient Nuclei Segmentation Framework [70.18084425770091]
  ディープニューラルネットワークは、H&E染色病理像の核インスタンスセグメンテーションに広く応用されている。 通常、類似したパターンと冗長なパターンを含む核画像のデータセットに全てのピクセルをラベル付けするのは非効率で不要である。 そこで本研究では,アノテートするイメージパッチを数個だけ選択し,選択したサンプルからトレーニングセットを増強し,半教師付きで核分割を実現する,新しいフル核分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-20T14:53:26Z)
• Learning to Annotate Part Segmentation with Gradient Matching [58.100715754135685]
  本稿では,事前学習したGANを用いて,高品質な画像を生成することで,半教師付き部分分割タスクに対処することに焦点を当てる。 特に、アノテータ学習を学習から学習までの問題として定式化する。 提案手法は,実画像,生成された画像,さらには解析的に描画された画像を含む,幅広いラベル付き画像からアノテータを学習可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-06T01:29:22Z)
• Efficient Self-Supervision using Patch-based Contrastive Learning for Histopathology Image Segmentation [0.456877715768796]
  画像パッチに対するコントラスト学習を用いた自己教師型画像分割のためのフレームワークを提案する。 完全畳み込みニューラルネットワーク(FCNN)は、入力画像の特徴を識別するために、自己教師型で訓練される。 提案したモデルは10.8kパラメータを持つ単純なFCNNで構成され、高解像度の顕微鏡データセットに収束するのに約5分を要する。
  論文  参考訳（メタデータ） (2022-08-23T07:24:47Z)
• 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)
• Uncertainty guided semi-supervised segmentation of retinal layers in OCT images [4.046207281399144]
  セグメンテーションネットワークを訓練する学生・教師のアプローチに基づく,新しい不確実性誘導半教師学習を提案する。 提案するフレームワークは,様々な画像モダリティにまたがるバイオメディカルイメージセグメンテーションに有効である。
  論文  参考訳（メタデータ） (2021-03-02T23:14:25Z)
• Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
  この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。 画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。 特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
  論文  参考訳（メタデータ） (2020-12-09T12:40:13Z)
• Few-Shot Microscopy Image Cell Segmentation [15.510258960276083]
  顕微鏡画像におけるセルの自動セグメンテーションは、完全な監視で訓練されたディープニューラルネットワークのサポートとうまく機能する。 本稿では,細胞を分割し,セグメント化結果を分類境界から切り離すための3つの目的関数の組み合わせを提案する。 5つの公開データベースに対する実験は、1ショットから10ショットのメタラーニングによる有望な結果を示している。
  論文  参考訳（メタデータ） (2020-06-29T12:12:10Z)
• Self-Supervised Viewpoint Learning From Image Collections [116.56304441362994]
  本稿では,解析・合成パラダイムを取り入れた新たな学習フレームワークを提案する。 提案手法は,人間の顔,車,バス,電車など,複数の対象カテゴリに対して,完全に教師されたアプローチに対して競争力を発揮することを示す。
  論文  参考訳（メタデータ） (2020-04-03T22:01:41Z)
• CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
  少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。 相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。 PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2020-03-24T04:55:43Z)

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。