Fugu-MT 論文翻訳(概要): Novel Deep Learning Framework For Bovine Iris Segmentation

論文の概要: Novel Deep Learning Framework For Bovine Iris Segmentation

arxiv url: http://arxiv.org/abs/2212.11439v1
Date: Thu, 22 Dec 2022 01:15:08 GMT
ステータス: 処理完了
システム内更新日: 2022-12-23 14:29:14.355775
Title: Novel Deep Learning Framework For Bovine Iris Segmentation
Title（参考訳）: ウシ虹彩分節のための新しいディープラーニングフレームワーク
Authors: Heemoon Yoon, Mira Park, Sang-Hee Lee
Abstract要約: 本稿では,BovineAAEyes80公開データセットを用いた画素ワイドセグメンテーションのための新しいディープラーニングフレームワークを提案する。実験では、VGG16のバックボーンを持つU-Netがエンコーダとデコーダモデルの最良の組み合わせとして選ばれ、99.50%の精度と98.35%のDice係数スコアを示した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Iris segmentation is the initial step to identify biometric of animals to establish a traceability system of livestock. In this study, we propose a novel deep learning framework for pixel-wise segmentation with minimum use of annotation labels using BovineAAEyes80 public dataset. In the experiment, U-Net with VGG16 backbone was selected as the best combination of encoder and decoder model, demonstrating a 99.50% accuracy and a 98.35% Dice coefficient score. Remarkably, the selected model accurately segmented corrupted images even without proper annotation data. This study contributes to the advancement of the iris segmentation and the development of a reliable DNNs training framework.
Abstract（参考訳）: アイリスセグメンテーションは、家畜のトレーサビリティシステムを確立するために動物の生体計測を識別する最初のステップである。本研究では,BovineAAEyes80公開データセットを用いて,最小限のアノテーションラベルを用いた画素分割のための新しいディープラーニングフレームワークを提案する。実験では、vgg16バックボーンを持つu-netがエンコーダとデコーダモデルの最良の組み合わせとして選ばれ、99.50%の精度と98.35%のサイコロ係数スコアを示した。注目すべきは、適切なアノテーションデータなしに、選択されたモデルが精度良く破損した画像を分割したことである。本研究では,虹彩分節化の進展と信頼性の高いdnnsトレーニングフレームワークの開発に寄与する。

関連論文リスト

Pseudo Label-Guided Data Fusion and Output Consistency for Semi-Supervised Medical Image Segmentation [9.93871075239635]
より少ないアノテーションで医用画像のセグメンテーションを行うための平均教師ネットワーク上に構築されたPLGDFフレームワークを提案する。本稿では,ラベル付きデータとラベルなしデータを組み合わせてデータセットを効果的に拡張する,新しい擬似ラベル利用方式を提案する。本フレームワークは,最先端の6つの半教師あり学習手法と比較して,優れた性能が得られる。
論文参考訳（メタデータ） (2023-11-17T06:36:43Z)
Unsupervised Segmentation of Fetal Brain MRI using Deep Learning Cascaded Registration [2.494736313545503]
従来の深層学習に基づく自動セグメンテーションは、グランドトラストラベルによる広範なトレーニングデータを必要とする。ラベル付きデータに頼らずに複数の組織を正確にセグメンテーションするマルチアトラスセグメンテーションに基づく新しい手法を提案する。提案手法では,3次元画像登録のためのカスケード深層学習ネットワークを用いて,移動画像への小さなインクリメンタルな変形を計算し,それを固定画像と正確に整合させる。
論文参考訳（メタデータ） (2023-07-07T13:17:12Z)
CorrMatch: Label Propagation via Correlation Matching for Semi-Supervised Semantic Segmentation [73.89509052503222]
本稿では、CorrMatchと呼ばれる、単純だが実行可能な半教師付きセマンティックセマンティックセマンティックセマンティクス手法を提案する。相関写像は、同一カテゴリのクラスタリングピクセルを容易に実現できるだけでなく、良好な形状情報も含んでいることを観察する。我々は,高信頼画素を拡大し,さらに掘り出すために,画素の対の類似性をモデル化して画素伝搬を行う。そして、相関地図から抽出した正確なクラス非依存マスクを用いて、領域伝搬を行い、擬似ラベルを強化する。
論文参考訳（メタデータ） (2023-06-07T10:02:29Z)
Enhancing Point Annotations with Superpixel and Confidence Learning Guided for Improving Semi-Supervised OCT Fluid Segmentation [17.85298271262749]
Superpixel and Confident Learning Guide Point s Network (SCLGPA-Net)。 Superpixel-Guided Pseudo-Label Generation (SGPLG)モジュールは擬似ラベルとピクセルレベルのラベル信頼マップを生成する。 CLGLR(Confident Learning Guided Label Refinement)モジュールは、擬似ラベル内のエラー情報を識別し、さらなる改善につながる。
論文参考訳（メタデータ） (2023-06-05T04:21:00Z)
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)
Pseudo-label Guided Cross-video Pixel Contrast for Robotic Surgical Scene Segmentation with Limited Annotations [72.15956198507281]
シーンセグメンテーションを促進するために,新しい擬似ラベル付きクロスビデオコントラスト学習法であるPGV-CLを提案する。本研究では,ロボット外科手術データセットEndoVis18と白内障手術データセットCaDISについて検討した。
論文参考訳（メタデータ） (2022-07-20T05:42:19Z)
Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
論文参考訳（メタデータ） (2021-04-05T15:50:16Z)
Semi-Supervised Learning for Eye Image Segmentation [7.084953573199144]
最近の外観ベースモデルの進歩により、難しいシナリオでの視線追跡性能が向上している。精度の向上は、しばしば巨大なデータセットをラベル付けするコストが伴う。本研究は,ラベルなし画像を利用したアイパート識別のための半教師付き学習フレームワークを2つ提示する。
論文参考訳（メタデータ） (2021-03-17T00:05:19Z)
FAIRS -- Soft Focus Generator and Attention for Robust Object Segmentation from Extreme Points [70.65563691392987]
本稿では,ユーザ入力からオブジェクトのセグメンテーションを極端点と補正クリックの形で生成する手法を提案する。提案手法は,エクストリームポイント,クリック誘導,修正クリックを原則として組み込んだ,高品質なトレーニングデータを生成する能力とスケーラビリティを実証する。
論文参考訳（メタデータ） (2020-04-04T22:25:47Z)
3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文参考訳（メタデータ） (2020-03-17T20:20:43Z)
Self-Learning AI Framework for Skin Lesion Image Segmentation and Classification [0.0]
深層学習モデルで医用画像セグメンテーションを行うには、アノテーションによる大規模な画像データセットのトレーニングが必要である。この問題を解決するために,2段階のディープラーニングアルゴリズムにおいて自己学習アノテーションスキームが提案された。提案されたAIフレームワークの分類結果は、トレーニング精度93.8%、テスト精度82.42%を達成した。
論文参考訳（メタデータ） (2020-01-04T09:31:11Z)

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。