論文の概要: Bounding Box Priors for Cell Detection with Point Annotations

• arxiv url: http://arxiv.org/abs/2211.06104v1
• Date: Fri, 11 Nov 2022 10:17:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 16:32:31.525554
• Title: Bounding Box Priors for Cell Detection with Point Annotations
• Title（参考訳）: 点アノテーションを用いたセル検出のためのバウンディングボックスプリエント
• Authors: Hari Om Aggrawal, Dipam Goswami, Vinti Agarwal
• Abstract要約: トレーニングプロセス中に,注釈付き(ST)ボックスやバウンディングボックスの予測でポイントを置き換えることを提案する。 本手法は,既存の手法と異なり,ボックスイメージとポイントラベルイメージを併用してトレーニングを行う。 最も難しい設定では、わずか5%のイメージがボックスラベリングされた場合、1段法は5.56mAPの2段法より優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The size of an individual cell type, such as a red blood cell, does not vary much among humans. We use this knowledge as a prior for classifying and detecting cells in images with only a few ground truth bounding box annotations, while most of the cells are annotated with points. This setting leads to weakly semi-supervised learning. We propose replacing points with either stochastic (ST) boxes or bounding box predictions during the training process. The proposed "mean-IOU" ST box maximizes the overlap with all the boxes belonging to the sample space with a class-specific approximated prior probability distribution of bounding boxes. Our method trains with both box- and point-labelled images in conjunction, unlike the existing methods, which train first with box- and then point-labelled images. In the most challenging setting, when only 5% images are box-labelled, quantitative experiments on a urine dataset show that our one-stage method outperforms two-stage methods by 5.56 mAP. Furthermore, we suggest an approach that partially answers "how many box-labelled annotations are necessary?" before training a machine learning model.
• Abstract（参考訳）: 赤血球のような個々の細胞型の大きさは、ヒトにはあまり変化しない。 私たちは、この知識を、ほんの数個の基底真理バウンディングボックスアノテーションで画像中の細胞を分類し、検出するために、事前の知識として使用します。 この設定は、弱く半教師付き学習につながる。 学習過程における確率的(st)ボックスまたは境界付きボックス予測のどちらかでポイントを置換することを提案する。 提案する"mean-iou" st boxは、境界ボックスのクラス固有の近似前確率分布を持つサンプル空間に属する全てのボックスとの重なりを最大化する。 提案手法は,まずボックスラベル画像,次にポイントラベル画像でトレーニングする既存の手法とは異なり,ボックスラベル画像とポイントラベル画像の両方を併用してトレーニングする。 最も難しい環境では、たった5%の画像を箱入りにすると、尿のデータセットにおける定量的な実験により、1段階の方法が2段階の方法よりも5.56のマップで優れていることが示されます。 さらに、機械学習モデルをトレーニングする前に、"箱入りのアノテーションは何個必要か"に部分的に答えるアプローチを提案する。

関連論文リスト

• Diffusing More Objects for Semi-Supervised Domain Adaptation with Less Labeling [2.941832525496685]
  物体検出では、境界ボックスの予測を逆拡散過程として見ることができる。 拡散モデルを用いて、ランダムバウンディングボックスは、画像に条件付けされた復調ステップで反復的に洗練される。 本稿では、ランダムなバウンディングボックスで各実行を起動し、わずかに異なる予測を組み合わせるアキュムレータ関数を提案する。
  論文  参考訳（メタデータ） (2023-12-19T09:47:18Z)
• 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)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  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。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• Towards Open Vocabulary Object Detection without Human-provided Bounding Boxes [74.24276505126932]
  手動でバウンディングボックスアノテーションを指定せずにトレーニングできるオープンな語彙検出フレームワークを提案する。 本手法は,事前学習した視覚言語モデルの局所化能力を活用して実現した。
  論文  参考訳（メタデータ） (2021-11-18T00:05:52Z)
• Semi-supervised Cell Detection in Time-lapse Images Using Temporal Consistency [10.20554144865699]
  本研究では,ラベル付き画像とラベル付き画像との時間経過シーケンスを効果的に利用する半教師付き細胞検出法を提案する。 まず,一方のラベル付き画像を用いたセル検出ネットワークを訓練し,未ラベル付き画像と訓練されたネットワークを推定する。 次に,検出した細胞をラベル付きフレームから遠方まで追跡することにより,推定値から高信頼位置を選択する。
  論文  参考訳（メタデータ） (2021-07-19T06:40:47Z)
• Rectifying the Shortcut Learning of Background: Shared Object Concentration for Few-Shot Image Recognition [101.59989523028264]
  Few-Shot画像分類は、大規模なデータセットから学んだ事前学習された知識を利用して、一連の下流分類タスクに取り組むことを目的としている。 本研究では,Few-Shot LearningフレームワークであるCOSOCを提案する。
  論文  参考訳（メタデータ） (2021-07-16T07:46:41Z)
• Single Test Image-Based Automated Machine Learning System for Distinguishing between Trait and Diseased Blood Samples [2.867517731896504]
  そこで我々は, 携帯型顕微鏡の画質不良画像の病原細胞疾患の完全自動診断のための機械学習手法を提案する。 本手法は, 異常検体と異常検体のみを区別することに限定された従来の方法と異なり, 病型, 形質(キャリア), 正常検体とを区別することができる。
  論文  参考訳（メタデータ） (2021-03-30T12:29:50Z)
• Classification Beats Regression: Counting of Cells from Greyscale Microscopic Images based on Annotation-free Training Samples [20.91256120719461]
  本研究は、注釈付きトレーニング画像を用いることなく、グレースケールの顕微鏡画像から細胞をカウントする教師あり学習フレームワークを提案する。 我々は、セルカウントタスクを画像分類問題として定式化し、セルカウントをクラスラベルとする。 これらの制約に対処するために,未確認の細胞数に対する画像の合成を行う,単純だが効果的なデータ拡張法を提案する。
  論文  参考訳（メタデータ） (2020-10-28T06:19:30Z)
• One-bit Supervision for Image Classification [121.87598671087494]
  1ビットの監視は、不完全なアノテーションから学ぶための新しい設定である。 負ラベル抑圧を既成の半教師付き学習アルゴリズムに組み込んだ多段階学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2020-09-14T03:06:23Z)
• Dive Deeper Into Box for Object Detection [49.923586776690115]
  そこで我々は,より正確な位置決めを行うために,ボックスに深く潜り込むことができるボックス再構成手法(DDBNet)を提案する。 実験結果から,本手法はオブジェクト検出の最先端性能に寄与する可能性が示唆された。
  論文  参考訳（メタデータ） (2020-07-15T07:49:05Z)
• Iterative Bounding Box Annotation for Object Detection [0.456877715768796]
  本稿では,効率的なバウンディングボックスアノテーションのための半自動手法を提案する。 この方法は、ラベル付き画像の小さなバッチに対して、オブジェクト検出器を反復的に訓練する。 次のバッチに対するバウンディングボックスの提案を学習し、その後、人間のアノテータがエラーを修正すればよい。
  論文  参考訳（メタデータ） (2020-07-02T08:40:12Z)

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。