論文の概要: Unsupervised Feature Clustering Improves Contrastive Representation
Learning for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2211.08557v1
- Date: Tue, 15 Nov 2022 22:54:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 15:24:09.990945
- Title: Unsupervised Feature Clustering Improves Contrastive Representation
Learning for Medical Image Segmentation
- Title（参考訳）: 医用画像セグメンテーションのためのコントラスト表現学習を改善する教師なし特徴クラスタリング
- Authors: Yejia Zhang, Xinrong Hu, Nishchal Sapkota, Yiyu Shi, Danny Z. Chen
- Abstract要約: 自己監督型インスタンス識別は、特徴表現を学習し、限られた医用画像アノテーションに対処する効果的なコントラスト的前提課題である。
本稿では,教師なし特徴クラスタリングを用いた自己教師付きコントラスト学習手法を提案する。
本手法は,これらの課題に対して,最先端の自己監督型コントラスト技術より優れる。
- 参考スコア（独自算出の注目度）: 18.75543045234889
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Self-supervised instance discrimination is an effective contrastive pretext
task to learn feature representations and address limited medical image
annotations. The idea is to make features of transformed versions of the same
images similar while forcing all other augmented images' representations to
contrast. However, this instance-based contrastive learning leaves performance
on the table by failing to maximize feature affinity between images with
similar content while counter-productively pushing their representations apart.
Recent improvements on this paradigm (e.g., leveraging multi-modal data,
different images in longitudinal studies, spatial correspondences) either
relied on additional views or made stringent assumptions about data properties,
which can sacrifice generalizability and applicability. To address this
challenge, we propose a new self-supervised contrastive learning method that
uses unsupervised feature clustering to better select positive and negative
image samples. More specifically, we produce pseudo-classes by hierarchically
clustering features obtained by an auto-encoder in an unsupervised manner, and
prevent destructive interference during contrastive learning by avoiding the
selection of negatives from the same pseudo-class. Experiments on 2D skin
dermoscopic image segmentation and 3D multi-class whole heart CT segmentation
demonstrate that our method outperforms state-of-the-art self-supervised
contrastive techniques on these tasks.
- Abstract（参考訳）: 自己監督型インスタンス識別は、特徴表現を学習し、限られた医療画像アノテーションに対処する効果的なコントラスト的前提課題である。
このアイデアは、同じ画像の変換されたバージョンの特徴を、他のすべての拡張イメージの表現をコントラストに強制しながら、類似させることである。
しかし、このインスタンスベースのコントラスト学習は、類似したコンテンツを持つ画像間の特徴親和性を最大化せず、その表現を非生産的に分割することで、テーブル上のパフォーマンスを損なう。
このパラダイムの最近の改善(例えば、マルチモーダルデータ、縦断研究における異なる画像、空間対応)は、追加のビューに依存したり、データプロパティに関する厳密な仮定を行ったりすることで、汎用性と適用性を犠牲にすることができる。
この課題に対処するために,教師なし特徴クラスタリングを用いた自己教師付きコントラスト学習手法を提案する。
より具体的には、自動エンコーダによって得られた階層的クラスタリング機能により擬似クラスを生成し、同じ擬似クラスからの負の選択を回避し、対照的な学習における破壊的干渉を防止する。
2次元皮膚内視鏡的画像分割と3次元マルチクラス心筋CT分割の実験により,本手法はこれらの課題に対して,最先端の自己監督的コントラスト法より優れていることが示された。
関連論文リスト
- GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳（メタデータ） (2023-01-11T11:38:37Z) - Mix-up Self-Supervised Learning for Contrast-agnostic Applications [33.807005669824136]
コントラストに依存しないアプリケーションのための,最初の混合型自己教師型学習フレームワークを提案する。
クロスドメイン・ミックスアップに基づく画像間の低分散に対処し、画像再構成と透明性予測に基づくプレテキストタスクを構築する。
論文 参考訳（メタデータ） (2022-04-02T16:58:36Z) - Self-supervised Contrastive Learning for Cross-domain Hyperspectral
Image Representation [26.610588734000316]
本稿では,アノテートが本質的に困難であるハイパースペクトル画像に適した自己教師型学習フレームワークを提案する。
提案するフレームワークアーキテクチャは、クロスドメインCNNを利用して、異なるハイパースペクトル画像から表現を学習する。
実験結果は、スクラッチや他の移動学習法から学習したモデルに対して、提案した自己教師型表現の利点を示す。
論文 参考訳（メタデータ） (2022-02-08T16:16:45Z) - Learning Contrastive Representation for Semantic Correspondence [150.29135856909477]
セマンティックマッチングのためのマルチレベルコントラスト学習手法を提案する。
画像レベルのコントラスト学習は、畳み込み特徴が類似したオブジェクト間の対応を見出すための鍵となる要素であることを示す。
論文 参考訳（メタデータ） (2021-09-22T18:34:14Z) - Focus on the Positives: Self-Supervised Learning for Biodiversity
Monitoring [9.086207853136054]
ラベルのない画像コレクションから自己教師付き表現を学習する問題に対処する。
我々は,入力画像間の空間的関係や時間的関係などの情報を符号化する,手軽に利用可能なコンテキストデータを利用する。
地球生物多様性監視の重要課題として、人間の監督が限定された視覚的種分類タスクに適応可能な画像特徴があげられる。
論文 参考訳（メタデータ） (2021-08-14T01:12:41Z) - Object-aware Contrastive Learning for Debiased Scene Representation [74.30741492814327]
オブジェクトを自己教師型でローカライズする,オブジェクト認識型コントラスト学習フレームワークを開発した。
また、コントラCAM、オブジェクト認識型乱作、背景混合に基づく2つのデータ拡張を導入し、コントラスト型自己教師型学習における文脈バイアスと背景バイアスを低減した。
論文 参考訳（メタデータ） (2021-07-30T19:24:07Z) - Incremental False Negative Detection for Contrastive Learning [95.68120675114878]
本稿では,自己指導型コントラスト学習のための新たな偽陰性検出手法を提案する。
対照的な学習では、検出された偽陰性を明示的に除去する2つの戦略について議論する。
提案手法は,制限された計算内での複数のベンチマークにおいて,他の自己教師付きコントラスト学習フレームワークよりも優れる。
論文 参考訳（メタデータ） (2021-06-07T15:29:14Z) - Contrastive Learning based Hybrid Networks for Long-Tailed Image
Classification [31.647639786095993]
画像表現の教師付きコントラスト損失と、分類器を学習するためのクロスエントロピー損失からなる新しいハイブリッドネットワーク構造を提案する。
3つの長尾分類データセットに関する実験は、長尾分類における比較学習に基づくハイブリッドネットワークの提案の利点を示している。
論文 参考訳（メタデータ） (2021-03-26T05:22:36Z) - Unleashing the Power of Contrastive Self-Supervised Visual Models via
Contrast-Regularized Fine-Tuning [94.35586521144117]
コントラスト学習を微調整に適用することでさらにメリットが得られるか検討する。
本研究では,コントラスト正規化調律(core-tuning)を提案する。
論文 参考訳（メタデータ） (2021-02-12T16:31:24Z) - Unsupervised Deep Metric Learning with Transformed Attention Consistency
and Contrastive Clustering Loss [28.17607283348278]
教師なしのメートル法学習のための既存のアプローチは、入力画像自体の自己超越情報を探索することに焦点を当てている。
我々は、画像を分析する際、人間の目は個々の画像を調べるのではなく、互いに画像を比較することが多いことを観察した。
本研究では,画像間の自己超越情報に基づいてネットワークを学習する,教師なし深度学習のための新しいアプローチを開発する。
論文 参考訳（メタデータ） (2020-08-10T19:33:47Z) - Distilling Localization for Self-Supervised Representation Learning [82.79808902674282]
コントラスト学習は教師なし表現学習に革命をもたらした。
現在のコントラストモデルでは、前景オブジェクトのローカライズには効果がない。
本稿では,背景変化を学習するためのデータ駆動型手法を提案する。
論文 参考訳（メタデータ） (2020-04-14T16:29:42Z)
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。