論文の概要: Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images

• arxiv url: http://arxiv.org/abs/2208.03327v1
• Date: Fri, 5 Aug 2022 18:52:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-09 13:54:19.009291
• Title: Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images
• Title（参考訳）: 顕微鏡画像における不完全ラベルのシームレスな半教師付き補正
• Authors: Marawan Elbatel, Christina Bornberg, Manasi Kattel, Enrique Almar, Claudio Marrocco, Alessandro Bria
• Abstract要約: 生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
• 参考スコア（独自算出の注目度）: 57.42492501915773
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In-vitro tests are an alternative to animal testing for the toxicity of medical devices. Detecting cells as a first step, a cell expert evaluates the growth of cells according to cytotoxicity grade under the microscope. Thus, human fatigue plays a role in error making, making the use of deep learning appealing. Due to the high cost of training data annotation, an approach without manual annotation is needed. We propose Seamless Iterative Semi-Supervised correction of Imperfect labels (SISSI), a new method for training object detection models with noisy and missing annotations in a semi-supervised fashion. Our network learns from noisy labels generated with simple image processing algorithms, which are iteratively corrected during self-training. Due to the nature of missing bounding boxes in the pseudo labels, which would negatively affect the training, we propose to train on dynamically generated synthetic-like images using seamless cloning. Our method successfully provides an adaptive early learning correction technique for object detection. The combination of early learning correction that has been applied in classification and semantic segmentation before and synthetic-like image generation proves to be more effective than the usual semi-supervised approach by > 15% AP and > 20% AR across three different readers. Our code is available at https://github.com/marwankefah/SISSI.
• Abstract（参考訳）: 生体内試験は、医療機器の毒性に対する動物実験の代替である。 細胞を第1ステップとして検出する細胞専門家は、顕微鏡下で細胞毒性のグレードに従って細胞の成長を評価する。 このように、人間の疲労は、深層学習の利用をアピールするエラー作成において重要な役割を果たしている。 データアノテーションのトレーニングに高いコストがかかるため、手動アノテーションのないアプローチが必要である。 雑音やアノテーションの欠如によるオブジェクト検出モデルを半教師付きでトレーニングする新しい手法として,Seanless Iterative Semi-Supervised correct of Imperfect labels (SISSI)を提案する。 我々のネットワークは、自己学習中に繰り返し修正される単純な画像処理アルゴリズムで生成されたノイズの多いラベルから学習する。 擬似ラベルにおけるバウンディングボックスの欠如がトレーニングに悪影響を及ぼすため,シームレスなクローニングを用いて動的に生成する合成画像の訓練を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。 分類とセマンティックセグメンテーションに応用された早期学習補正と合成ライクな画像生成の組み合わせは、通常の半教師ありアプローチよりも15%APと20%ARより効果的であることが証明された。 私たちのコードはhttps://github.com/marwankefah/SISSIで公開されています。

関連論文リスト

• FISHing in Uncertainty: Synthetic Contrastive Learning for Genetic Aberration Detection [1.3373458503586262]
  既存のFISH画像分類手法は、信号のばらつきと本質的不確実性に起因する課題に直面している。 手動アノテーションの必要をなくすために合成画像を活用する新しい手法を提案する。 我々は,合成データに基づいて学習した手法の優れた一般化能力と不確実性を実証する。
  論文  参考訳（メタデータ） (2024-11-01T20:50:48Z)
• Improving Medical Image Classification in Noisy Labels Using Only Self-supervised Pretraining [9.01547574908261]
  ノイズラベルが深層学習に基づく教師付き画像分類性能を損なうのは、モデルがノイズに過度に適合し、劣化した特徴抽出器を学習するためである。 そこで本研究では,自己誘発ノイズラベルを持つ2つの医療データセットを対象とした,深層学習分類モデルの重み付けを初期化するための,コントラスト的,プレテキストなタスクベース自己教師型事前訓練について検討する。 その結果,自己教師付き学習から得られた事前学習重み付きモデルは,より優れた特徴を効果的に学習し,ノイズラベルに対する堅牢性を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2023-08-08T19:45:06Z)
• An End-to-End Framework For Universal Lesion Detection With Missing Annotations [24.902835211573628]
  そこで本研究では,検出器を同時に訓練しながら,ラベルのない病変をマイニングするための新しいエンドツーエンドフレームワークを提案する。 本研究の枠組みは,高信頼度予測と,学生モデル学習のための部分的にラベル付けされた基礎的真理が組み合わさっている。
  論文  参考訳（メタデータ） (2023-03-27T09:16:10Z)
• Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
  胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。 ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-01T09:20:30Z)
• Weakly-supervised Generative Adversarial Networks for medical image classification [1.479639149658596]
  Weakly-Supervised Generative Adversarial Networks (WSGAN) と呼ばれる新しい医用画像分類アルゴリズムを提案する。 WSGANは、ラベルのない少数の実画像のみを使用して、偽画像やマスク画像を生成し、トレーニングセットのサンプルサイズを拡大する。 ラベル付きデータやラベルなしデータの少ない使用により,WSGANは比較的高い学習性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-11-29T15:38:48Z)
• Cell Detection from Imperfect Annotation by Pseudo Label Selection Using P-classification [9.080472817672264]
  不完全な注釈付きデータからの細胞検出のための擬似ラベリング手法を提案する。 このようなラベル付きデータを用いてトレーニングされた検出畳み込みニューラルネットワーク(CNN)は、しばしば過剰検出を生成する。 5つの異なる条件における顕微鏡画像を用いた実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-07-20T07:08:05Z)
• Towards Good Practices for Efficiently Annotating Large-Scale Image Classification Datasets [90.61266099147053]
  多数の画像の分類ラベルを収集するための効率的なアノテーション戦略を検討する。 人間のラベリング作業を最小化するための修正とベストプラクティスを提案します。 ImageNet100の125kイメージサブセットのシミュレーション実験では、平均で0.35のアノテーションで80%のトップ-1の精度でアノテートできることが示されている。
  論文  参考訳（メタデータ） (2021-04-26T16:29:32Z)
• An Empirical Study of the Collapsing Problem in Semi-Supervised 2D Human Pose Estimation [80.02124918255059]
  半教師付き学習は、ラベルなし画像の探索によってモデルの精度を高めることを目的としている。 私たちは相互に教え合うために2つのネットワークを学びます。 各ネットワーク内の容易なイメージに関するより信頼性の高い予測は、他のネットワークに対応するハードイメージについて学ぶように教えるために使用される。
  論文  参考訳（メタデータ） (2020-11-25T03:29:52Z)
• ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised Medical Image Segmentation [99.90263375737362]
  教師-学生最適化の非同期版であるATSOを提案する。 ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。 医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
  論文  参考訳（メタデータ） (2020-06-24T04:05:12Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。