論文の概要: Knowing What to Label for Few Shot Microscopy Image Cell Segmentation
- arxiv url: http://arxiv.org/abs/2211.10244v1
- Date: Fri, 18 Nov 2022 14:03:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 15:10:02.957722
- Title: Knowing What to Label for Few Shot Microscopy Image Cell Segmentation
- Title（参考訳）: ショット顕微鏡画像のセルセグメンテーションのラベル付け方法
- Authors: Youssef Dawoud, Arij Bouazizi, Katharina Ernst, Gustavo Carneiro,
Vasileios Belagiannis
- Abstract要約: 顕微鏡画像セルセグメンテーションでは、異なる種類の顕微鏡画像を含む、ソースデータに基づいてディープニューラルネットワークを訓練することが一般的である。
注釈付きトレーニング対象画像のランダムな選択は、効果的な微調整プロセスを可能にしないのではないか、と我々は主張する。
提案手法では, 新たなスコアリング機能を用いて, 意図しない対象画像の探索を行う。
- 参考スコア（独自算出の注目度）: 15.510258960276083
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In microscopy image cell segmentation, it is common to train a deep neural
network on source data, containing different types of microscopy images, and
then fine-tune it using a support set comprising a few randomly selected and
annotated training target images. In this paper, we argue that the random
selection of unlabelled training target images to be annotated and included in
the support set may not enable an effective fine-tuning process, so we propose
a new approach to optimise this image selection process. Our approach involves
a new scoring function to find informative unlabelled target images. In
particular, we propose to measure the consistency in the model predictions on
target images against specific data augmentations. However, we observe that the
model trained with source datasets does not reliably evaluate consistency on
target images. To alleviate this problem, we propose novel self-supervised
pretext tasks to compute the scores of unlabelled target images. Finally, the
top few images with the least consistency scores are added to the support set
for oracle (i.e., expert) annotation and later used to fine-tune the model to
the target images. In our evaluations that involve the segmentation of five
different types of cell images, we demonstrate promising results on several
target test sets compared to the random selection approach as well as other
selection approaches, such as Shannon's entropy and Monte-Carlo dropout.
- Abstract（参考訳）: 顕微鏡画像セルセグメンテーションでは、異なる種類の顕微鏡画像を含むソースデータに基づいてディープニューラルネットワークをトレーニングし、ランダムに選択された数個のトレーニング対象画像からなるサポートセットを使用して微調整することが一般的である。
本稿では,アノテートされ,サポートセットに含まれるラベルなしの訓練対象画像のランダム選択は,効果的な微調整処理を可能としないため,この画像選択プロセスを最適化するための新しい手法を提案する。
提案手法では,新たなスコアリング機能により,手付かずの目標画像の検索を行う。
特に,特定のデータ拡張に対して対象画像のモデル予測の一貫性を測定することを提案する。
しかし、ソースデータセットでトレーニングされたモデルは、対象画像の一貫性を確実に評価しない。
この問題を軽減するために,ラベルなしの目標画像のスコアを計算するための,新しい自己教師付きプリテキストタスクを提案する。
最後に、最も一貫性の低いトップ少数の画像は、オラクル(専門家)アノテーションのサポートセットに追加され、後にターゲット画像にモデルを微調整するために使用される。
5種類の細胞画像のセグメンテーションを含む評価において、ランダム選択法やシャノンエントロピーやモンテカルロドロップアウトのような他の選択法と比較して、いくつかのターゲットテストセットに対して有望な結果を示す。
関連論文リスト
- Generating Reliable Pixel-Level Labels for Source Free Domain Adaptation [13.913151437401472]
ReGENは、画像間翻訳ネットワークとセグメンテーションネットワークとを備える。
我々のワークフローは、元のターゲット領域画像からノイズ予測を用いてターゲットライクな画像を生成する。
論文 参考訳（メタデータ） (2023-07-03T09:44:13Z) - 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) - Learning to Annotate Part Segmentation with Gradient Matching [58.100715754135685]
本稿では,事前学習したGANを用いて,高品質な画像を生成することで,半教師付き部分分割タスクに対処することに焦点を当てる。
特に、アノテータ学習を学習から学習までの問題として定式化する。
提案手法は,実画像,生成された画像,さらには解析的に描画された画像を含む,幅広いラベル付き画像からアノテータを学習可能であることを示す。
論文 参考訳（メタデータ） (2022-11-06T01:29:22Z) - From colouring-in to pointillism: revisiting semantic segmentation
supervision [48.637031591058175]
本稿では,意味的セグメンテーションアノテーションに対するポジリスト的アプローチを提案する。
Open Imagesデータセットで4,171のクラスに2260万のポイントラベルを収集してリリースしました。
論文 参考訳（メタデータ） (2022-10-25T16:42:03Z) - Edge-Based Self-Supervision for Semi-Supervised Few-Shot Microscopy
Image Cell Segmentation [16.94384366469512]
本稿では,未ラベル画像の訓練を自己監督するためのエッジマップの予測を提案する。
実験の結果,従来のトレーニングセットの10%など,少数のアノテートされたイメージだけが,完全なアノテートされたデータベースを1～10ショットで処理するのと同じようなパフォーマンスに達するには十分であることがわかった。
論文 参考訳（メタデータ） (2022-08-03T14:35:00Z) - Budget-aware Few-shot Learning via Graph Convolutional Network [56.41899553037247]
本稿では,いくつかの例から新しい視覚概念を学習することを目的とした,数ショット学習の課題に取り組む。
数ショット分類における一般的な問題設定は、データラベルの取得においてランダムサンプリング戦略を前提としている。
そこで我々は,新しい対象カテゴリーの学習を目的とした,予算に配慮した数発の学習問題を新たに導入する。
論文 参考訳（メタデータ） (2022-01-07T02:46:35Z) - Sample selection for efficient image annotation [14.695979686066066]
監視対象検出は、人間レベルのパフォーマンスを達成する多くのベンチマークデータセットで成功したことが証明されている。
ラベルなしデータセットから最も有益な画像をサンプリングする効率的な画像選択手法を提案する。
本手法は,完全な手動ラベリング設定と比較して,手動アノテーション作業の最大80%を削減でき,ランダムサンプリングよりも優れた性能を発揮する。
論文 参考訳（メタデータ） (2021-05-10T21:25:10Z) - Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。
画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。
特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
論文 参考訳（メタデータ） (2020-12-09T12:40:13Z) - CSI: Novelty Detection via Contrastive Learning on Distributionally
Shifted Instances [77.28192419848901]
コントラストシフトインスタンス (CSI) という,単純かつ効果的な手法を提案する。
従来のコントラスト学習法のように,サンプルを他の例と対比することに加えて,本トレーニング手法では,サンプルを分散シフトによる拡張と対比する。
本実験は, 種々の新規検出シナリオにおける本手法の優位性を実証する。
論文 参考訳（メタデータ） (2020-07-16T08:32:56Z) - Enhancing Few-Shot Image Classification with Unlabelled Examples [18.03136114355549]
画像分類性能を向上させるために,非ラベルインスタンスを用いたトランスダクティブなメタラーニング手法を開発した。
提案手法は,正規化ニューラルアダプティブ特徴抽出器を組み合わせることで,非ラベルデータを用いたテスト時間分類精度の向上を実現する。
論文 参考訳（メタデータ） (2020-06-17T05:42:47Z)
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。