論文の概要: A new sampling methodology for creating rich, heterogeneous, subsets of
samples for training image segmentation algorithms
- arxiv url: http://arxiv.org/abs/2301.04517v1
- Date: Wed, 11 Jan 2023 15:31:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 17:03:40.606056
- Title: A new sampling methodology for creating rich, heterogeneous, subsets of
samples for training image segmentation algorithms
- Title(参考訳): 画像分割アルゴリズムの訓練のためのサンプルのリッチで異種なサブセット作成のための新しいサンプリング手法
- Authors: Matheus Viana da Silva, Nat\'alia de Carvalho Santos, Baptiste
Lacoste, Cesar Henrique Comin
- Abstract要約: より大規模な非注釈データセットから関連画像を選択するための新しいサンプリング手法を提案する。
選択された画像は、元のデータセットの均一なカバーを提供する。
血管顕微鏡画像の代表セットを含むデータセットを作成することにより、事例例を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Creating a dataset for training supervised machine learning algorithms can be
a demanding task. This is especially true for medical image segmentation since
this task usually requires one or more specialists for image annotation, and
creating ground truth labels for just a single image can take up to several
hours. In addition, it is paramount that the annotated samples represent well
the different conditions that might affect the imaged tissue as well as
possible changes in the image acquisition process. This can only be achieved by
considering samples that are typical in the dataset as well as atypical, or
even outlier, samples. We introduce a new sampling methodology for selecting
relevant images from a larger non-annotated dataset in a way that evenly
considers both prototypical as well as atypical samples. The methodology
involves the generation of a uniform grid from a feature space representing the
samples, which is then used for randomly drawing relevant images. The selected
images provide a uniform cover of the original dataset, and thus define a
heterogeneous set of images that can be annotated and used for training
supervised segmentation algorithms. We provide a case example by creating a
dataset containing a representative set of blood vessel microscopy images
selected from a larger dataset containing thousands of images.
- Abstract(参考訳): 教師付き機械学習アルゴリズムをトレーニングするためのデータセットを作成することは、必要なタスクである。
これは医用画像のセグメンテーションには特に当てはまります。なぜなら、このタスクは通常、画像アノテーションのために1つまたは複数の専門家が必要です。
さらに、注釈付きサンプルは、画像取得過程の変化だけでなく、画像組織に影響を及ぼす可能性のある異なる条件をうまく表していることが最重要である。
これはデータセットに典型的なサンプルだけでなく、非定型的、あるいは異常なサンプルも考慮することでのみ実現できます。
原型と非典型の両方を均等に考慮した,大規模な非注釈データセットから関連画像を選択するための新しいサンプリング手法を提案する。
この手法は、サンプルを表す特徴空間から一様格子を生成することを含み、関連する画像をランダムに描画するために使用される。
選択された画像は、元のデータセットの均一なカバーを提供し、注釈付きで教師付きセグメンテーションアルゴリズムのトレーニングに使用できる異種画像の集合を定義する。
何千もの画像を含むより大きなデータセットから選択した血管顕微鏡画像の代表的なセットを含むデータセットを作成する事例例を提供する。
関連論文リスト
- Improving CT Image Segmentation Accuracy Using StyleGAN Driven Data
Augmentation [42.034896915716374]
本稿では,公開可能な大規模医療データセットをセグメント化するためのStyleGANによるアプローチを提案する。
スタイル転送はトレーニングデータセットを拡張し、新しい解剖学的音声画像を生成するために使用される。
次に、拡張データセットを使用してU-Netセグメンテーションネットワークをトレーニングし、セグメンテーション精度を大幅に向上させる。
論文 参考訳(メタデータ) (2023-02-07T06:34:10Z) - 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) - Knowing What to Label for Few Shot Microscopy Image Cell Segmentation [15.510258960276083]
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。
論文 参考訳(メタデータ) (2022-11-18T14:03:49Z) - Scrape, Cut, Paste and Learn: Automated Dataset Generation Applied to
Parcel Logistics [58.720142291102135]
4つのステップでインスタンスセグメンテーションのための合成データセットを生成するために,完全に自動化されたパイプラインを提案する。
まず、人気のある画像検索エンジンから興味ある対象の画像を抽出する。
画像選択には,オブジェクトに依存しない事前処理,手動画像選択,CNNに基づく画像選択の3つの方法を比較する。
論文 参考訳(メタデータ) (2022-10-18T12:49:04Z) - A Generalist Framework for Panoptic Segmentation of Images and Videos [61.61453194912186]
我々は,タスクの帰納バイアスに頼ることなく,離散的なデータ生成問題としてパノプティクスセグメンテーションを定式化する。
単純な構造と一般的な損失関数を持つパノスコープマスクをモデル化するための拡散モデルを提案する。
本手法は,動画を(ストリーミング環境で)モデル化し,オブジェクトのインスタンスを自動的に追跡することを学ぶ。
論文 参考訳(メタデータ) (2022-10-12T16:18:25Z) - Self-Supervised Generative Style Transfer for One-Shot Medical Image
Segmentation [10.634870214944055]
医用画像のセグメンテーションにおいて、教師付きディープネットワークの成功は、豊富なラベル付きデータを必要とするコストが伴う。
本稿では,ボリューム画像分割ペアを合成可能なデータ拡張のための,新しいボリューム自己教師型学習法を提案する。
我々の研究の中心的信条は、ワンショット生成学習と自己指導型学習戦略の併用による恩恵を受けている。
論文 参考訳(メタデータ) (2021-10-05T15:28:42Z) - Multi-dataset Pretraining: A Unified Model for Semantic Segmentation [97.61605021985062]
我々は、異なるデータセットの断片化アノテーションを最大限に活用するために、マルチデータセット事前訓練と呼ばれる統合フレームワークを提案する。
これは、複数のデータセットに対して提案されたピクセルからプロトタイプへのコントラスト損失を通じてネットワークを事前トレーニングすることで実現される。
異なるデータセットからの画像とクラス間の関係をより良くモデル化するために、クロスデータセットの混合によりピクセルレベルの埋め込みを拡張する。
論文 参考訳(メタデータ) (2021-06-08T06:13:11Z) - 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) - Unlabeled Data Guided Semi-supervised Histopathology Image Segmentation [34.45302976822067]
生成法に基づく半教師付き学習(SSL)は,多様な画像特性の活用に有効であることが証明されている。
非ラベルデータ分布を利用した病理組織像分割のための新しいデータガイド生成法を提案する。
本手法は腺および核データセット上で評価される。
論文 参考訳(メタデータ) (2020-12-17T02:54:19Z) - Using Text to Teach Image Retrieval [47.72498265721957]
ニューラルネットワークを用いて学習した画像の特徴空間をグラフとして表現するために,画像多様体の概念に基づいて構築する。
我々は、幾何学的に整列したテキストで多様体のサンプルを増補し、大量の文を使って画像について教える。
実験結果から, 結合埋め込み多様体は頑健な表現であり, 画像検索を行うためのより良い基礎となることが示唆された。
論文 参考訳(メタデータ) (2020-11-19T16:09:14Z) - Informative Sample Mining Network for Multi-Domain Image-to-Image
Translation [101.01649070998532]
本稿では,画像から画像への翻訳作業において,サンプル選択戦略の改善が有効であることを示す。
本稿では,サンプルの硬さを抑えつつ,サンプルの硬さを抑えるための新しい多段階サンプルトレーニング手法を提案する。
論文 参考訳(メタデータ) (2020-01-05T05:48:02Z)
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。