論文の概要: The Role of Local Alignment and Uniformity in Image-Text Contrastive Learning on Medical Images

• arxiv url: http://arxiv.org/abs/2211.07254v1
• Date: Mon, 14 Nov 2022 10:32:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 16:46:21.018445
• Title: The Role of Local Alignment and Uniformity in Image-Text Contrastive Learning on Medical Images
• Title（参考訳）: 医用画像における画像テキストコントラスト学習における局所的アライメントと一様性の役割
• Authors: Philip M\"uller, Georgios Kaissis, Daniel Rueckert
• Abstract要約: 局所的なコントラスト損失がグローバルな(サンプルごとの)コントラスト損失とどのように関連し、局所的な医療ダウンストリームタスクにどのような影響があるかを検討する。 理論的比較に基づき、局所的な損失のいくつかの成分を除去し、新しい分布に置き換えることを提案する。 胸部X線課題に対するこのアプローチを実証的に研究し,12タスク中12タスクにおいて局所的な損失を伴わずに,極めて効果的かつ優れた手法であることが確認された。
• 参考スコア（独自算出の注目度）: 7.49320945341034
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image-text contrastive learning has proven effective for pretraining medical image models. When targeting localized downstream tasks like semantic segmentation or object detection, additional local contrastive losses that align image regions with sentences have shown promising results. We study how local contrastive losses are related to global (per-sample) contrastive losses and which effects they have on localized medical downstream tasks. Based on a theoretical comparison, we propose to remove some components of local losses and replace others by a novel distribution prior which enforces uniformity of representations within each sample. We empirically study this approach on chest X-ray tasks and find it to be very effective, outperforming methods without local losses on 12 of 18 tasks.
• Abstract（参考訳）: 画像テキストコントラスト学習は医療画像モデルの事前訓練に有効であることが証明されている。 意味セグメンテーションやオブジェクト検出のような局所的な下流タスクをターゲットにすると、画像領域と文を一致させる局所的なコントラスト損失が有望な結果を示している。 局所的なコントラスト損失がグローバルな(サンプルごとの)コントラスト損失とどのように関連し、局所的な医療ダウンストリームタスクにどのような影響があるかを検討する。 理論的比較に基づき,各サンプルにおける表現の均一性を強制する新しい分布によって,局所的な損失の成分を除去し,他の成分を置き換えることを提案する。 胸部x線課題に対するこのアプローチを実証的に検討し,18課題中12課題において局所的損失を伴わない非常に効果的かつ優れた方法であることが判明した。

関連論文リスト

• Visual Context-Aware Person Fall Detection [52.49277799455569]
  画像中の個人とオブジェクトを半自動分離するセグメンテーションパイプラインを提案する。 ベッド、椅子、車椅子などの背景オブジェクトは、転倒検知システムに挑戦し、誤ったポジティブアラームを引き起こす。 トレーニング中のオブジェクト固有のコンテキスト変換が、この課題を効果的に軽減することを示す。
  論文  参考訳（メタデータ） (2024-04-11T19:06:36Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Annotation by Clicks: A Point-Supervised Contrastive Variance Method for Medical Semantic Segmentation [38.61378161105941]
  医用画像セグメンテーションのための新しい点教師付きコントラスト分散法(PSCV)を提案する。 PSCVはアノテートするために各臓器カテゴリから1ピクセルしか必要としない。 提案手法は, 医用画像セマンティックセグメンテーションタスクにおいて, 最先端の弱教師付き手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-17T01:07:21Z)
• What can we learn about a generated image corrupting its latent representation? [57.1841740328509]
  GANのボトルネックにおける潜在表現に基づいて画像品質を予測できるという仮説を考察する。 遅延表現を雑音で破壊し、複数の出力を生成することでこれを実現できる。
  論文  参考訳（メタデータ） (2022-10-12T14:40:32Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Leveraging Uncertainty for Deep Interpretable Classification and Weakly-Supervised Segmentation of Histology Images [25.429124017422385]
  深い教師付き手法は、解釈可能性のための画像分類とROIセグメンテーションを可能にする。 これらの手法は、偽陽性率を高める非識別領域を明示的にモデル化するメカニズムを欠いている。 本研究では,非識別領域と識別領域の両方を求める新しい正規化項を提案する。
  論文  参考訳（メタデータ） (2022-05-12T02:18:23Z)
• Robust Medical Image Classification from Noisy Labeled Data with Global and Local Representation Guided Co-training [73.60883490436956]
  本稿では,ロバストな医用画像分類のためのグローバルおよびローカルな表現学習を用いた新しい協調学習パラダイムを提案する。 ノイズラベルフィルタを用いた自己アンサンブルモデルを用いて、クリーンでノイズの多いサンプルを効率的に選択する。 また,ネットワークを暗黙的に正規化してノイズの多いサンプルを利用するための,グローバルかつ局所的な表現学習手法を設計する。
  論文  参考訳（メタデータ） (2022-05-10T07:50:08Z)
• Local contrastive loss with pseudo-label based self-training for semi-supervised medical image segmentation [13.996217500923413]
  セミ/セルフ教師付き学習ベースのアプローチは、注釈付きデータとともにラベル付きデータを悪用する。 近年の自己教師付き学習法では, コントラッシブ・ロスを用いて, ラベルのない画像から優れたグローバルレベル表現を学習している。 セグメンテーションに有用な画素レベルの特徴を,セマンティックラベル情報を利用して学習するために,局所的なコントラスト損失を提案する。
  論文  参考訳（メタデータ） (2021-12-17T17:38:56Z)
• Joint Learning of Localized Representations from Medical Images and Reports [0.0]
  そこで我々は,視覚とテキスト(LoVT)からの局所化表現学習を提案し,局所化医療画像タスクを目標とした。 本手法は,画像領域の局所的コントラスト学習とインスタンスレベルのコントラスト学習を組み合わせ,文表現を報告する。 LoVTは研究対象のタスクのうち11つで最善を尽くし、ローカライズされたタスクの選択方法として好まれる。
  論文  参考訳（メタデータ） (2021-12-06T09:27:24Z)
• Unsupervised Local Discrimination for Medical Images [35.14445357879895]
  コントラスト表現学習は、医用画像処理における高価な注釈付きデータの需要を軽減する効果的な方法である。 最近の研究は主に、グローバルな特徴を学習するインスタンスワイドな差別に基づいているが、局所的な詳細は無視されている。 医療モデルを効果的に初期化するために,局所的識別特徴を学習するための普遍的局所識別フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-21T04:53:19Z)
• Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
  メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。 地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。 提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-01T19:24:27Z)

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。