論文の概要: Fine-Grained Hard Negative Mining: Generalizing Mitosis Detection with a
Fifth of the MIDOG 2022 Dataset
- arxiv url: http://arxiv.org/abs/2301.01079v1
- Date: Tue, 3 Jan 2023 13:06:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 15:06:34.753401
- Title: Fine-Grained Hard Negative Mining: Generalizing Mitosis Detection with a
Fifth of the MIDOG 2022 Dataset
- Title（参考訳）: 細粒度ハードネガティブマイニング:midog 2022データセットの5分の1でmitosis検出を一般化する
- Authors: Maxime W. Lafarge and Viktor H. Koelzer
- Abstract要約: ミトーシス領域一般化チャレンジ2022(MIDOG)の深層学習ソリューションについて述べる。
我々のアプローチは、アグレッシブデータ拡張を用いた回転不変深層学習モデルの訓練である。
我々のモデルアンサンブルは、自動評価後の最終テストセットで.697のF1スコアを達成した。
- 参考スコア（独自算出の注目度）: 1.2183405753834562
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Making histopathology image classifiers robust to a wide range of real-world
variability is a challenging task. Here, we describe a candidate deep learning
solution for the Mitosis Domain Generalization Challenge 2022 (MIDOG) to
address the problem of generalization for mitosis detection in images of
hematoxylin-eosin-stained histology slides under high variability (scanner,
tissue type and species variability). Our approach consists in training a
rotation-invariant deep learning model using aggressive data augmentation with
a training set enriched with hard negative examples and automatically selected
negative examples from the unlabeled part of the challenge dataset. To optimize
the performance of our models, we investigated a hard negative mining regime
search procedure that lead us to train our best model using a subset of image
patches representing 19.6% of our training partition of the challenge dataset.
Our candidate model ensemble achieved a F1-score of .697 on the final test set
after automated evaluation on the challenge platform, achieving the third best
overall score in the MIDOG 2022 Challenge.
- Abstract（参考訳）: 病理画像分類器を広範囲の現実世界の変動に対して堅牢にすることは難しい課題である。
本稿では,mitosis domain generalization challenge 2022 (midog) の深層学習ソリューションとして,高変量下でのhematoxylin-eosin-stained histology slide (scanner, tissue type and species variability) 画像におけるmitosis検出の一般化問題に対処する。
提案手法は,攻撃的データ拡張を用いた回転不変深層学習モデルのトレーニングと,ハードネガティブな例を豊富に含むトレーニングセットと,チャレンジデータセットのラベルなし部分から自動的にネガティブな例を選択する。
モデルの性能を最適化するために,チャレンジデータセットのトレーニング分割の19.6%を表すイメージパッチのサブセットを使用して,最善のモデルをトレーニングするためのハードネガティブなマイニングレジーム検索手順を調査した。
候補モデルのアンサンブルは,挑戦プラットフォーム上での自動評価を行い,最終テストセットで.697のF1スコアを達成し,MIDOG 2022チャレンジで3位となった。
関連論文リスト
- SeNM-VAE: Semi-Supervised Noise Modeling with Hierarchical Variational Autoencoder [13.453138169497903]
SeNM-VAEは、ペアとアンペアの両方のデータセットを利用して、現実的な劣化データを生成する半教師付きノイズモデリング手法である。
実世界の画像認識と超分解能タスクのためのペアトレーニングサンプルを生成するために,本手法を用いた。
提案手法は, 合成劣化画像の品質を, 他の不対とペアのノイズモデリング法と比較して向上させる。
論文 参考訳（メタデータ） (2024-03-26T09:03:40Z) - Image-level supervision and self-training for transformer-based
cross-modality tumor segmentation [2.29206349318258]
そこで本研究では,MoDATTSと呼ばれる半教師付きトレーニング戦略を提案する。
MoDATTSは、未実装のバイモーダルデータセット上の正確な3D腫瘍セグメンテーションのために設計されている。
この最大性能の99%と100%は、目標データの20%と50%が注釈付きであれば達成できると報告している。
論文 参考訳（メタデータ） (2023-09-17T11:50:12Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Wild Face Anti-Spoofing Challenge 2023: Benchmark and Results [73.98594459933008]
顔認証システム(FAS)は、顔認識システムの完全性を保護するための重要なメカニズムである。
この制限は、公開可能なFASデータセットの不足と多様性の欠如に起因する可能性がある。
制約のない環境で収集された大規模で多様なFASデータセットであるWild Face Anti-Spoofingデータセットを紹介した。
論文 参考訳（メタデータ） (2023-04-12T10:29:42Z) - Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic
Image Classification [61.656149405657246]
ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。
本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。
Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
論文 参考訳（メタデータ） (2022-09-27T14:19:00Z) - Adaptive Fine-Grained Predicates Learning for Scene Graph Generation [122.4588401267544]
一般的なシーングラフ生成(SGG)モデルは、頭部の述語を予測する傾向があり、再バランス戦略は尾のカテゴリを好む。
本稿では,SGGの難解な述語を識別することを目的とした適応的微粒述語学習(FGPL-A)を提案する。
提案したモデル非依存戦略は,VG-SGGおよびGQA-SGGデータセットのベンチマークモデルの性能を最大175%,Mean Recall@100では76%向上させ,新たな最先端性能を実現する。
論文 参考訳（メタデータ） (2022-07-11T03:37:57Z) - A Robust Ensemble Model for Patasitic Egg Detection and Classification [9.449507409551842]
腸内寄生虫感染症は、世界中で致死性の主要な原因となっているが、それでも時間節約、高感度、ユーザフレンドリーな検査方法が欠如している。
本稿では,顕微鏡画像中の寄生卵を自動的に識別するために,YOLOv5や変種カスケードRCNNなどの物体検出器を適用した。
論文 参考訳（メタデータ） (2022-07-04T13:53:46Z) - Stain-Robust Mitotic Figure Detection for the Mitosis Domain
Generalization Challenge [2.072197863131669]
Mitosis DOmain Generalization (MIDOG)の課題は、複数のスキャナーから見えないデータに対して、検出モデルの堅牢性をテストすることである。
この課題に対処するために,TAAセンターチームが採用したアプローチについて,簡単な概要を述べる。
論文 参考訳（メタデータ） (2021-09-02T11:44:42Z) - Rotation Invariance and Extensive Data Augmentation: a strategy for the
Mitosis Domain Generalization (MIDOG) Challenge [1.52292571922932]
我々は,MIDOG 2021コンペティションに参加するための戦略を提示する。
このコンペティションの目的は、目に見えないターゲットスキャナーで取得した画像に対する解の一般化を評価することである。
本稿では,最先端のディープラーニング手法の組み合わせに基づく解を提案する。
論文 参考訳（メタデータ） (2021-09-02T10:09:02Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳（メタデータ） (2020-10-12T03:27:07Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T09:51:30Z)
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。