論文の概要: Sample hardness based gradient loss for long-tailed cervical cell detection

• arxiv url: http://arxiv.org/abs/2208.03779v1
• Date: Sun, 7 Aug 2022 17:52:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-09 13:26:07.783448
• Title: Sample hardness based gradient loss for long-tailed cervical cell detection
• Title（参考訳）: 長鎖頸部細胞検出のための試料硬度に基づく勾配損失
• Authors: Minmin Liu, Xuechen Li, Xiangbo Gao, Junliang Chen, Linlin Shen, Huisi Wu
• Abstract要約: 本稿では,各試料の硬度を異なるカテゴリで動的に調整するaGrad-Libra Lossを提案する。 我々の損失は、検出器が頭と尾の両方でこれらの硬いサンプルをより強調するのに役立ちます。
• 参考スコア（独自算出の注目度）: 40.503143547742866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the difficulty of cancer samples collection and annotation, cervical cancer datasets usually exhibit a long-tailed data distribution. When training a detector to detect the cancer cells in a WSI (Whole Slice Image) image captured from the TCT (Thinprep Cytology Test) specimen, head categories (e.g. normal cells and inflammatory cells) typically have a much larger number of samples than tail categories (e.g. cancer cells). Most existing state-of-the-art long-tailed learning methods in object detection focus on category distribution statistics to solve the problem in the long-tailed scenario without considering the "hardness" of each sample. To address this problem, in this work we propose a Grad-Libra Loss that leverages the gradients to dynamically calibrate the degree of hardness of each sample for different categories, and re-balance the gradients of positive and negative samples. Our loss can thus help the detector to put more emphasis on those hard samples in both head and tail categories. Extensive experiments on a long-tailed TCT WSI image dataset show that the mainstream detectors, e.g. RepPoints, FCOS, ATSS, YOLOF, etc. trained using our proposed Gradient-Libra Loss, achieved much higher (7.8%) mAP than that trained using cross-entropy classification loss.
• Abstract（参考訳）: がんサンプルの収集とアノテーションの難しさから、頸部がんデータセットは通常、ロングテールデータ分布を示す。 TCT(Thinprep Cytology Test)検体から採取したWSI(Whole Slice Image)画像中のがん細胞を検出するための検出器を訓練する場合、頭部分類(例:正常細胞と炎症細胞)は通常、尾分類(例:がん細胞)よりもはるかに多くのサンプルを持つ。 オブジェクト検出における既存の最先端の長期学習手法は、各サンプルの「硬さ」を考慮せずに、カテゴリ分布統計に焦点をあてて長期シナリオの問題を解決する。 この問題に対処するため、本研究では、勾配を利用して各試料の硬度を異なるカテゴリで動的に調整し、正および負の試料の勾配を再調整するグラッド・リブラ損失を提案する。 我々の損失は、検出器が頭と尾の両方でこれらの硬いサンプルをより強調するのに役立ちます。 長い尾を持つTCT WSI画像データセットの大規模な実験によると、主流検出器(RepPoints、FCOS、ATSS、YOLOFなど)は、我々の提案したGradient-Libra Lossを用いてトレーニングされ、クロスエントロピー分類損失を用いてトレーニングされたものよりもはるかに高い(7.8%)mAPを達成した。

関連論文リスト

• LoGex: Improved tail detection of extremely rare histopathology classes via guided diffusion [36.56346240815833]
  現実的な医療環境では、データは長い尾を持つことが多く、ほとんどのサンプルは少数のクラスと稀なクラスの長い尾に集中しており、通常は少数のサンプルしか含まれていない。 この分布は、希少な条件が検出しにくく、限られたデータのために分類することが難しいため、重大な課題である。 本稿では,レアクラスを分類する代わりに,配布外データとして確実に検出することを目的とする。
  論文  参考訳（メタデータ） (2024-09-02T15:18:15Z)
• Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
  航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。 本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。 シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
  論文  参考訳（メタデータ） (2023-05-17T09:37:07Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• On the Optimal Combination of Cross-Entropy and Soft Dice Losses for Lesion Segmentation with Out-of-Distribution Robustness [15.08731999725517]
  医用画像の病変セグメント化に対する異なる損失関数の影響について検討した。 損失関数の最小化が分布内性能に与える影響を解析する。 CE-Dice損失組合せは, 分布内画像のセグメンテーションにおいて優れており, 分布外データを扱う場合, 性能が劣る。
  論文  参考訳（メタデータ） (2022-09-13T15:32:32Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Out of distribution detection for skin and malaria images [5.37275632397777]
  トレーニング中にラベル付きOoDサンプルにアクセスすることなく,皮膚およびマラリア画像中のOoDサンプルを堅牢に分類する手法を提案する。 私たちは、メトリクス学習とロジスティック回帰を使って、ディープネットワークにもっとリッチなクラス代表機能を学ぶように強制します。 TNR@TPR95%, TNR@TPR95%, TNR@TPR95%, TNR@TPR95%, TNR@TPR95%, TNR@TPR95%, TNR@TPR95%をそれぞれ改善した。
  論文  参考訳（メタデータ） (2021-11-02T11:16:07Z)
• Hardness of Samples Is All You Need: Protecting Deep Learning Models Using Hardness of Samples [1.2074552857379273]
  モデル抽出攻撃の硬度度は, 正常試料の硬度度と区別可能であることを示す。 本稿では,モデル抽出攻撃のサンプルシーケンスを検出するために,Hardness-Oriented Detection Approach (HODA)を提案する。
  論文  参考訳（メタデータ） (2021-06-21T22:03:31Z)
• Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
  新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。 標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。 原理的に部分観測可能なベイズ的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-09-12T20:37:33Z)
• Seesaw Loss for Long-Tailed Instance Segmentation [131.86306953253816]
  本稿では,各カテゴリの正試料と負試料の動的再バランス勾配を求めるシーソー損失を提案する。 緩和因子は、異なるカテゴリ間の累積トレーニングインスタンスの比率に比例して、罰を尾のカテゴリに還元する。 補償係数は、末尾カテゴリーの偽陽性を避けるために、誤分類されたインスタンスのペナルティを増加させる。
  論文  参考訳（メタデータ） (2020-08-23T12:44:45Z)
• Decoupled Gradient Harmonized Detector for Partial Annotation: Application to Signet Ring Cell Detection [13.530905176008057]
  本稿では,DGHM-C損失(DGHM-C損失)と表現される分類損失(DGHM-C損失)にデカップリンググラディエント調和機構(DGHM)を組み込む。 笛と鐘がなければ、私たちはその挑戦で2位を獲得しました。
  論文  参考訳（メタデータ） (2020-04-09T09:53:11Z)

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。