論文の概要: DLUNet: Semi-supervised Learning based Dual-Light UNet for Multi-organ
Segmentation
- arxiv url: http://arxiv.org/abs/2209.10984v1
- Date: Thu, 22 Sep 2022 13:11:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 14:17:19.455040
- Title: DLUNet: Semi-supervised Learning based Dual-Light UNet for Multi-organ
Segmentation
- Title(参考訳): DLUNet:マルチ組織セグメンテーションのための半教師付き学習ベースデュアルライトUNet
- Authors: Haoran Lai and Tao Wang and Shuoling Zhou
- Abstract要約: 半教師付き学習に基づくデュアルライトUNetを開発した。
一貫性のある学習を用いてラベルとラベルなしデータを同時に活用する。
計算コストを削減するために、分離可能な畳み込みと残留結合が軽量UNetに導入された。
- 参考スコア(独自算出の注目度): 5.401553054132887
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The manual ground truth of abdominal multi-organ is labor-intensive. In order
to make full use of CT data, we developed a semi-supervised learning based
dual-light UNet. In the training phase, it consists of two light UNets, which
make full use of label and unlabeled data simultaneously by using
consistent-based learning. Moreover, separable convolution and residual
concatenation was introduced light UNet to reduce the computational cost.
Further, a robust segmentation loss was applied to improve the performance. In
the inference phase, only a light UNet is used, which required low time cost
and less GPU memory utilization. The average DSC of this method in the
validation set is 0.8718. The code is available in
https://github.com/laihaoran/Semi-SupervisednnUNet.
- Abstract(参考訳): 腹部多臓器の手動的根拠は労働集約的である。
ctデータをフル活用するために,半教師付き学習型デュアルライトunetを開発した。
トレーニングフェーズでは、2つの軽量ユニセットで構成され、一貫した学習を用いてラベルとラベルなしデータを同時に活用する。
さらに,計算コストを低減すべく,分離可能な畳み込みと残留畳み込みを導入した。
さらに, 性能向上のためにロバストなセグメンテーション損失を適用した。
推論フェーズでは、軽量なUNetのみを使用し、低コストでGPUメモリ使用率が低下する。
この検証セットにおける平均 dsc は 0.8718 である。
コードはhttps://github.com/laihaoran/semi-supervisednnunetで入手できる。
関連論文リスト
- Adaptive Data Exploitation in Deep Reinforcement Learning [50.53705050673944]
深層強化学習(RL)における**データ効率**と**一般化**を強化する強力なフレームワークであるADEPTを紹介する。
具体的には、ADEPTはマルチアーム・バンディット(MAB)アルゴリズムを用いて、異なる学習段階にわたるサンプルデータの使用を適応的に管理する。
Procgen、MiniGrid、PyBulletなどのベンチマークでADEPTをテストする。
論文 参考訳(メタデータ) (2025-01-22T04:01:17Z) - Continual Learning on a Diet: Learning from Sparsely Labeled Streams Under Constrained Computation [123.4883806344334]
本研究では,学習アルゴリズムが学習段階ごとに制限された計算予算を付与する,現実的な連続学習環境について検討する。
この設定を,スパースラベル率の高い大規模半教師付き連続学習シナリオに適用する。
広範に分析と改善を行った結果,DietCLはラベル空間,計算予算,その他様々な改善の完全な範囲で安定していることがわかった。
論文 参考訳(メタデータ) (2024-04-19T10:10:39Z) - Dcl-Net: Dual Contrastive Learning Network for Semi-Supervised
Multi-Organ Segmentation [12.798684146496754]
半教師型MOSのための2段階のDual Contrastive Learning Networkを提案する。
ステージ1では、画像間の暗黙的な連続性と類似性を調べるために、類似性に基づくグローバルコントラスト学習を開発する。
ステージ2では,クラス表現をさらに惹きつけるために,臓器を意識した局所的コントラスト学習を提案する。
論文 参考訳(メタデータ) (2024-03-06T07:39:33Z) - Communication Efficient ConFederated Learning: An Event-Triggered SAGA
Approach [67.27031215756121]
Federated Learning(FL)は、さまざまなデータソース上のローカルデータを収集することなく、モデルトレーニングをターゲットとする機械学習パラダイムである。
単一のサーバを使用するStandard FLは、限られた数のユーザしかサポートできないため、学習能力の低下につながる。
本研究では,多数のユーザに対応するために,emphConfederated Learning(CFL)と呼ばれるマルチサーバFLフレームワークを検討する。
論文 参考訳(メタデータ) (2024-02-28T03:27:10Z) - One-bit Supervision for Image Classification: Problem, Solution, and
Beyond [114.95815360508395]
本稿では,ラベルの少ない新しい学習環境である,画像分類のための1ビット監督について述べる。
多段階学習パラダイムを提案し、負ラベル抑圧を半教師付き半教師付き学習アルゴリズムに組み込む。
複数のベンチマークにおいて、提案手法の学習効率は、フルビットの半教師付き監視手法よりも優れている。
論文 参考訳(メタデータ) (2023-11-26T07:39:00Z) - Semi-Federated Learning: Convergence Analysis and Optimization of A
Hybrid Learning Framework [70.83511997272457]
本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。
我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
論文 参考訳(メタデータ) (2023-10-04T03:32:39Z) - Train a Real-world Local Path Planner in One Hour via Partially Decoupled Reinforcement Learning and Vectorized Diversity [8.068886870457561]
深層強化学習(DRL)は局所経路計画(LPP)問題の解決に有効である。
実世界におけるそのような応用は、DRLの訓練効率と一般化能力の不足により、非常に制限されている。
アクター・シャーラーラーナー(ASL)トレーニングフレームワークと移動ロボット指向シミュレータSparrowで構成されたColorというソリューションが提案されている。
論文 参考訳(メタデータ) (2023-05-07T03:39:31Z) - Dual Learning for Large Vocabulary On-Device ASR [64.10124092250128]
デュアル・ラーニング(英: Dual learning)は、教師なしのデータを一度に2つの逆のタスクを解くことによって活用しようとする、半教師なし機械学習のパラダイムである。
本稿では,Librispeech全体をトレーニングしたオンデバイスサイズのストリーミングコンバータの解析を行い,LMを使わずにWERを10.7%/5.2%,LMを11.7%/16.4%改善したことを示す。
論文 参考訳(メタデータ) (2023-01-11T06:32:28Z) - RETRIEVE: Coreset Selection for Efficient and Robust Semi-Supervised
Learning [9.155410614399159]
効率的で堅牢な半教師付き学習のためのコアセット選択フレームワークであるRETRIEVEを提案する。
我々は,RETRIEVEが従来のSSL設定で約3倍の高速化を実現し,最先端(SOTA)の堅牢なSSLアルゴリズムと比較して5倍の高速化を実現していることを示す。
論文 参考訳(メタデータ) (2021-06-14T21:18:47Z) - Optimally Combining Classifiers for Semi-Supervised Learning [43.77365242185884]
本稿では,Xgboostとトランスダクティブ支援ベクトルマシンの長所を適応的に組み合わせた半教師付き学習手法を提案する。
UCIデータセットと実商業データセットの実験結果から,提案手法の5つの最先端アルゴリズムよりも優れた分類性能を示した。
論文 参考訳(メタデータ) (2020-06-07T09:28:34Z)
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。