論文の概要: SegPrompt: Using Segmentation Map as a Better Prompt to Finetune Deep
Models for Kidney Stone Classification
- arxiv url: http://arxiv.org/abs/2303.08303v1
- Date: Wed, 15 Mar 2023 01:30:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-16 15:04:42.401889
- Title: SegPrompt: Using Segmentation Map as a Better Prompt to Finetune Deep
Models for Kidney Stone Classification
- Title（参考訳）: SegPrompt: キドニー石の分類にセグメンテーションマップを用いたディープモデルの改良
- Authors: Wei Zhu, Runtao Zhou, Yao Yuan, Campbell Timothy, Rajat Jain, Jiebo
Luo
- Abstract要約: 深層学習は、内視鏡画像を用いた腎臓結石分類のための奨励的な結果を生み出している。
注釈付きトレーニングデータの不足は、トレーニングされたモデルの性能と一般化能力を改善する上で深刻な問題を引き起こす。
本稿では,セグメンテーションマップを2つの側面から活用することにより,データ不足問題を軽減するためにSegPromptを提案する。
- 参考スコア（独自算出の注目度）: 62.403510793388705
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, deep learning has produced encouraging results for kidney stone
classification using endoscope images. However, the shortage of annotated
training data poses a severe problem in improving the performance and
generalization ability of the trained model. It is thus crucial to fully
exploit the limited data at hand. In this paper, we propose SegPrompt to
alleviate the data shortage problems by exploiting segmentation maps from two
aspects. First, SegPrompt integrates segmentation maps to facilitate
classification training so that the classification model is aware of the
regions of interest. The proposed method allows the image and segmentation
tokens to interact with each other to fully utilize the segmentation map
information. Second, we use the segmentation maps as prompts to tune the
pretrained deep model, resulting in much fewer trainable parameters than
vanilla finetuning. We perform extensive experiments on the collected kidney
stone dataset. The results show that SegPrompt can achieve an advantageous
balance between the model fitting ability and the generalization ability,
eventually leading to an effective model with limited training data.
- Abstract（参考訳）: 近年,深層学習によって内視鏡画像を用いた腎臓結石分類が促進されている。
しかし、注釈付き訓練データの不足は、訓練モデルの性能と一般化能力を向上させる上で重大な問題となる。
したがって、手元にある限られたデータを完全に活用することが重要です。
本稿では,セグメンテーションマップを2つの側面から活用し,データ不足問題を解決するsegpromptを提案する。
まず、segpromptはセグメンテーションマップを統合し、分類モデルが興味のある領域を認識するように分類訓練を容易にする。
提案手法では,画像とセグメンテーショントークンが相互に相互作用し,セグメンテーションマップ情報を完全に活用することができる。
第二に、セグメンテーションマップを事前訓練された深層モデルのチューニングのプロンプトとして使用することにより、バニラ微調整よりもトレーニング可能なパラメータをはるかに少なくする。
収集した腎臓結石データセットについて広範な実験を行った。
その結果,segpromptはモデルフィッティング能力と一般化能力との間に有利なバランスをとることができ,トレーニングデータに制限のある効果的なモデルへと導かれることがわかった。
関連論文リスト
- Impact of imperfect annotations on CNN training and performance for instance segmentation and classification in digital pathology [1.2277343096128712]
病理組織像における核の検出・分節化・分節化を併用した作業において,ノイズアノテーションが最先端CNNモデルの訓練・性能に与える影響について検討した。
この結果から, モデル性能の過度な適合や維持を回避する上で, 注釈付き小セットの有効利用が有効であることが示唆された。
論文 参考訳（メタデータ） (2024-10-18T10:51:10Z) - Scribble-supervised Cell Segmentation Using Multiscale Contrastive
Regularization [9.849498498869258]
Scribble2Label (S2L) は、一握りのスクリブルと自己教師付き学習を使用することで、完全なアノテーションなしで正確なセグメンテーション結果を生成することを示した。
本研究では,S2Lに対して,新しいマルチスケールコントラスト正規化項を用いる。
主なアイデアは、ニューラルネットワークの中間層から特徴を抽出して、さまざまなスケールの構造を効果的に分離できるようにすることである。
論文 参考訳（メタデータ） (2023-06-25T06:00:33Z) - Weakly supervised segmentation with point annotations for histopathology
images via contrast-based variational model [7.021021047695508]
病理組織像のセグメンテーション結果を生成するためのコントラストモデルを提案する。
本手法は,病理組織像における対象領域の共通特性を考察し,エンドツーエンドで訓練することができる。
より地域的に一貫性があり、スムーズな境界セグメンテーションを生成することができ、未ラベルの新規領域に対してより堅牢である。
論文 参考訳（メタデータ） (2023-04-07T10:12:21Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - Weakly-supervised segmentation using inherently-explainable
classification models and their application to brain tumour classification [0.46873264197900916]
本稿では,これら2つの問題に1つとして対処するために,本質的に説明可能な3つの分類法を提案する。
モデルは2つの異なるデータセットを用いたマルチクラス脳腫瘍分類のタスクに採用された。
得られた腫瘍のみの画像のサブセットの精度は、最先端のグリオーマ腫瘍グレーディングバイナリ分類器を98.7%の精度で上回った。
論文 参考訳（メタデータ） (2022-06-10T14:44:05Z) - Learning Debiased and Disentangled Representations for Semantic
Segmentation [52.35766945827972]
セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。
各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。
提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
論文 参考訳（メタデータ） (2021-10-31T16:15:09Z) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-21T13:27:09Z) - Weakly Supervised Deep Nuclei Segmentation Using Partial Points
Annotation in Histopathology Images [51.893494939675314]
本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。
本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
論文 参考訳（メタデータ） (2020-07-10T15:41:29Z) - Improving Semantic Segmentation via Self-Training [75.07114899941095]
半教師付きアプローチ,特に自己学習パラダイムを用いて,最先端の成果を得ることができることを示す。
まず、ラベル付きデータに基づいて教師モデルを訓練し、次にラベルなしデータの大規模なセット上で擬似ラベルを生成する。
私たちの堅牢なトレーニングフレームワークは、人名と擬似ラベルを共同で消化し、Cityscapes、CamVid、KITTIデータセット上で最高のパフォーマンスを達成することができます。
論文 参考訳（メタデータ） (2020-04-30T17:09:17Z)
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。