論文の概要: Expectation Maximization Pseudo Labels
- arxiv url: http://arxiv.org/abs/2305.01747v2
- Date: Fri, 26 Jan 2024 09:22:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-29 18:34:34.756659
- Title: Expectation Maximization Pseudo Labels
- Title(参考訳): 期待最大化擬似ラベル
- Authors: Moucheng Xu and Yukun Zhou and Chen Jin and Marius de Groot and Daniel
C. Alexander and Neil P. Oxtoby and Yipeng Hu and Joseph Jacob
- Abstract要約: Pseudo-labellingは、自己学習のための擬似ラベルとして、未学習データに対する生の推測を用いる。
ベイズ定理に基づく擬ラベルの完全な一般化をベイズ的擬ラベル(Bayesian Pseudo Labels)と呼ぶ。
論文の残りでは,医療画像の半教師付きセグメンテーションにおける擬似ラベリングとその一般化形式であるベイジアン・プシュード・ラベルの応用について紹介する。
- 参考スコア(独自算出の注目度): 6.277551321144697
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, we study pseudo-labelling. Pseudo-labelling employs raw
inferences on unlabelled data as pseudo-labels for self-training. We elucidate
the empirical successes of pseudo-labelling by establishing a link between this
technique and the Expectation Maximisation algorithm. Through this, we realise
that the original pseudo-labelling serves as an empirical estimation of its
more comprehensive underlying formulation. Following this insight, we present a
full generalisation of pseudo-labels under Bayes' theorem, termed Bayesian
Pseudo Labels. Subsequently, we introduce a variational approach to generate
these Bayesian Pseudo Labels, involving the learning of a threshold to
automatically select high-quality pseudo labels. In the remainder of the paper,
we showcase the applications of pseudo-labelling and its generalised form,
Bayesian Pseudo-Labelling, in the semi-supervised segmentation of medical
images. Specifically, we focus on: 1) 3D binary segmentation of lung vessels
from CT volumes; 2) 2D multi-class segmentation of brain tumours from MRI
volumes; 3) 3D binary segmentation of whole brain tumours from MRI volumes; and
4) 3D binary segmentation of prostate from MRI volumes. We further demonstrate
that pseudo-labels can enhance the robustness of the learned representations.
The code is released in the following GitHub repository:
https://github.com/moucheng2017/EMSSL
- Abstract(参考訳): 本稿では擬似ラベリングについて検討する。
Pseudo-labellingは、自己学習のための擬似ラベルとして、未学習データに対する生の推測を用いる。
本手法と期待最大化アルゴリズムのリンクを確立することにより,擬似ラベリングの実証的成功を解明する。
これにより、元の擬似ラベリングが、より包括的な定式化の実証的推定に役立っていることに気付く。
この知見に従い、ベイズの定理に基づく擬似ラベルの完全な一般化をベイズ擬ラベル(baiesian pseudo labels)と呼ぶ。
次に,これらベイズ的擬似ラベルを生成するための変分的手法を導入し,高品質な擬似ラベルを自動的に選択するためのしきい値の学習を行う。
論文の残りでは,医療画像の半教師付きセグメンテーションにおける擬似ラベリングとその一般化形式であるベイズ擬似ラベルの応用について紹介する。
具体的には 焦点を合わせます
1)CTボリュームからの肺血管の3次元分枝化
2)MRIボリュームによる脳腫瘍の2次元マルチクラスセグメンテーション
3) mriボリュームからの脳腫瘍全体の3次元二分画
4)MRIボリュームからの前立腺の3次元分節化。
さらに,擬似ラベルが学習表現のロバスト性を高めることを実証する。
コードは次のgithubリポジトリでリリースされる。 https://github.com/moucheng2017/emssl
関連論文リスト
- Decoupled Pseudo-labeling for Semi-Supervised Monocular 3D Object Detection [108.672972439282]
SSM3ODに対するDPL(decoupled pseudo-labeling)アプローチを提案する。
提案手法は,擬似ラベルを効率的に生成するためのDPGモジュールを特徴とする。
また,擬似ラベルの雑音深度監視による最適化競合を軽減するために,DGPモジュールを提案する。
論文 参考訳(メタデータ) (2024-03-26T05:12:18Z) - Beyond the Label Itself: Latent Labels Enhance Semi-supervised Point
Cloud Panoptic Segmentation [46.01433705072047]
表示ラベルの裏側には,LiDARと画像データに埋め込まれた2種類の潜伏ラベルが存在する。
我々は、より信頼性の高いトレーニング用サンプルを拡張できる新しい拡張 Cylinder-Mix を提案する。
また、インスタンスの位置と規模に関する情報を学習し、融合するためのインスタンス位置スケール学習(IPSL)モジュールを提案する。
論文 参考訳(メタデータ) (2023-12-13T15:56:24Z) - Dual-Decoder Consistency via Pseudo-Labels Guided Data Augmentation for
Semi-Supervised Medical Image Segmentation [13.707121013895929]
本稿では, Pseudo-Labels Guided Data Augmentation を用いた新しい半教師付き学習手法である Dual-Decoder Consistency を提案する。
我々は、同じエンコーダを維持しながら、生徒と教師のネットワークに異なるデコーダを使用します。
ラベルのないデータから学習するために、教師ネットワークによって生成された擬似ラベルを作成し、擬似ラベルでトレーニングデータを増強する。
論文 参考訳(メタデータ) (2023-08-31T09:13:34Z) - All Points Matter: Entropy-Regularized Distribution Alignment for
Weakly-supervised 3D Segmentation [67.30502812804271]
擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。
本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
論文 参考訳(メタデータ) (2023-05-25T08:19:31Z) - Orthogonal Annotation Benefits Barely-supervised Medical Image
Segmentation [24.506059129303424]
半教師付き学習の最近の傾向は、3次元半教師付き医用画像セグメンテーションの性能を高めている。
これらの見解と隣接する3次元スライス間の本質的な類似性は、我々は新しいアノテーション方法を開発するきっかけとなった。
そこで我々は,Dense-Sparse Co-Training (DeSCO) というデュアルネットワーク・パラダイムを提案する。
論文 参考訳(メタデータ) (2023-03-23T08:10:25Z) - Image Understands Point Cloud: Weakly Supervised 3D Semantic
Segmentation via Association Learning [59.64695628433855]
ラベルのない画像から補完的な情報を取り入れた3次元セグメンテーションのための新しいクロスモダリティ弱教師付き手法を提案する。
基本的に、ラベルの小さな部分のパワーを最大化するために、アクティブなラベリング戦略を備えたデュアルブランチネットワークを設計する。
提案手法は,1%未満のアクティブなアノテーションで,最先端の完全教師付き競合よりも優れていた。
論文 参考訳(メタデータ) (2022-09-16T07:59:04Z) - Heterogeneous Semantic Transfer for Multi-label Recognition with Partial
Labels [74.65855084748989]
部分ラベル付きマルチラベル画像認識(MLR-PL)は、アノテーションのコストを大幅に削減し、大規模なMLRを促進する。
それぞれの画像と異なる画像の間に強い意味的相関が存在することがわかった。
これらの相関関係は、未知のラベルを取得するために、既知のラベルが持つ知識を転送するのに役立ちます。
論文 参考訳(メタデータ) (2022-05-23T08:37:38Z) - CORPS: Cost-free Rigorous Pseudo-labeling based on Similarity-ranking
for Brain MRI Segmentation [3.1657395760137406]
本稿では,新しいアトラスを用いた擬似ラベル法と3次元脳MRI分割のための3次元深部畳み込みニューラルネットワーク(DCNN)に基づく半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。
実験により, 定性的, 定量的に比較して, 提案手法の優位性を示した。
論文 参考訳(メタデータ) (2022-05-19T14:42:49Z) - Unsupervised Domain Adaptation with Implicit Pseudo Supervision for
Semantic Segmentation [7.748333539159297]
我々は、ターゲットドメインに関する新たな補完的知識を学ぶために、暗黙的に生成される擬似ラベルによってモデルを訓練する。
GTA5からCityscapes、SynTHIAからCityscapesタスクへの実験は、提案手法が大幅に改善されていることを示している。
論文 参考訳(メタデータ) (2022-04-14T04:06:22Z) - Estimating Instance-dependent Label-noise Transition Matrix using DNNs [66.29979882301265]
ラベルノイズ学習では、遷移行列の推定がホットトピックである。
本稿では,ベイズ最適分布から雑音分布への遷移を直接モデル化する。
この利点を生かして、ディープニューラルネットワークをパラメータ化してベイズラベル遷移行列を推定する。
論文 参考訳(メタデータ) (2021-05-27T08:36:54Z) - 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)
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。