論文の概要: AdaWAC: Adaptively Weighted Augmentation Consistency Regularization for
Volumetric Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2210.01891v1
- Date: Tue, 4 Oct 2022 20:28:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 13:27:04.078931
- Title: AdaWAC: Adaptively Weighted Augmentation Consistency Regularization for
Volumetric Medical Image Segmentation
- Title(参考訳): AdaWAC : 容積医用画像分割のための適応重み付き拡張整合規則化
- Authors: Yijun Dong, Yuege Xie, Rachel Ward
- Abstract要約: 本稿では,容積医用画像分割のための適応重み付けアルゴリズムを提案する。
AdaWACは、ラベルセンスサンプルを教師付きクロスエントロピー損失とラベルスパースサンプルを整合正則化に割り当てる。
我々は,AdaWACがセグメンテーション性能とサンプル効率を向上させるだけでなく,ラベルのサブポピュレーションシフトに対するロバスト性を向上させることを実証的に実証した。
- 参考スコア(独自算出の注目度): 3.609538870261841
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sample reweighting is an effective strategy for learning from training data
coming from a mixture of subpopulations. In volumetric medical image
segmentation, the data inputs are similarly distributed, but the associated
data labels fall into two subpopulations -- "label-sparse" and "label-dense" --
depending on whether the data image occurs near the beginning/end of the
volumetric scan or the middle. Existing reweighting algorithms have focused on
hard- and soft- thresholding of the label-sparse data, which results in loss of
information and reduced sample efficiency by discarding valuable data input.
For this setting, we propose AdaWAC as an adaptive weighting algorithm that
introduces a set of trainable weights which, at the saddle point of the
underlying objective, assigns label-dense samples to supervised cross-entropy
loss and label-sparse samples to unsupervised consistency regularization. We
provide a convergence guarantee for AdaWAC by recasting the optimization as
online mirror descent on a saddle point problem. Moreover, we empirically
demonstrate that AdaWAC not only enhances segmentation performance and sample
efficiency but also improves robustness to the subpopulation shift in labels.
- Abstract(参考訳): サンプルの重み付けは、サブ集団の混合から来るトレーニングデータから学習するための効果的な戦略である。
ボリューム画像分割では、データ入力も同様に分散されるが、関連するデータラベルは、ボリュームスキャンの開始/終了付近にデータイメージが発生するか、あるいはその中間に発生するかによって、2つのサブポピュレーション("label-sparse"と"label-dense")に分類される。
既存の重み付けアルゴリズムは、ラベルスパースデータのハードとソフトの閾値付けに重点を置いており、その結果、貴重なデータ入力を破棄することで、情報の損失とサンプル効率の低下をもたらす。
そこで我々は,AdaWACを適応重み付けアルゴリズムとして提案し,学習対象のサドルポイントにおいて,ラベル密度サンプルを教師付きクロスエントロピー損失,ラベルスパースサンプルを教師なし整合正則化に割り当てる。
我々は,AdaWACに対して,サドル点問題に対するオンラインミラー降下として最適化を再キャストすることで収束を保証する。
さらに,AdaWACはセグメンテーション性能とサンプル効率を向上するだけでなく,ラベルのサブポピュレーションシフトに対するロバスト性も向上することを示した。
関連論文リスト
- Guiding Pseudo-labels with Uncertainty Estimation for Test-Time
Adaptation [27.233704767025174]
Test-Time Adaptation (TTA) は、Unsupervised Domain Adaptation (UDA) の特定のケースであり、モデルがソースデータにアクセスせずにターゲットドメインに適合する。
本稿では,損失再重み付け戦略に基づくTTA設定のための新しい手法を提案する。
論文 参考訳(メタデータ) (2023-03-07T10:04:55Z) - Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised
Person Re-Identification [80.98291772215154]
教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。
近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。
本稿では, Pseudo Label Refinement フレームワークを提案する。
論文 参考訳(メタデータ) (2022-11-30T09:39:57Z) - Dense FixMatch: a simple semi-supervised learning method for pixel-wise
prediction tasks [68.36996813591425]
Dense FixMatchは,高密度かつ構造化された予測タスクのオンライン半教師付き学習のための簡易な手法である。
我々は、擬似ラベルにマッチング操作を追加することにより、画像分類を超えた半教師付き学習問題にFixMatchの適用を可能にする。
Dense FixMatchは、ラベル付きデータのみを使用して教師付き学習と比較すると、結果を著しく改善し、ラベル付きサンプルの1/4でそのパフォーマンスに近づいた。
論文 参考訳(メタデータ) (2022-10-18T15:02:51Z) - S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
本稿では,ラベルノイズの存在下での分類の問題に対処する。
提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。
提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
論文 参考訳(メタデータ) (2021-11-22T15:49:20Z) - Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
物体検出に適した確実な擬似ラベルを導入する。
我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。
提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
論文 参考訳(メタデータ) (2021-06-01T01:32:03Z) - WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。
エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。
提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
論文 参考訳(メタデータ) (2021-05-21T11:58:50Z) - Exploiting Sample Uncertainty for Domain Adaptive Person
Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。
不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文 参考訳(メタデータ) (2020-12-16T04:09:04Z) - Rethinking Curriculum Learning with Incremental Labels and Adaptive
Compensation [35.593312267921256]
人間と同様に、ディープネットワークは、サンプルが組織化され、意味のある順序やカリキュラムで導入されたときに、よりよく学習することが示されている。
インクリメンタルラベルと適応補償を用いた学習(LILAC)を提案する。
論文 参考訳(メタデータ) (2020-01-13T21:00:46Z)
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。