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

• Towards Modality-agnostic Label-efficient Segmentation with Entropy-Regularized Distribution Alignment [62.73503467108322]
  この話題は、3次元の点雲のセグメンテーションで広く研究されている。 近年まで、擬似ラベルは、限られた地道ラベルによる訓練を容易にするために広く用いられてきた。 既存の擬似ラベリングアプローチは、重複しないデータのノイズやバリエーションに悩まされる可能性がある。 本研究では,学習用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学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-29T13:31:15Z)
• GuidedNet: Semi-Supervised Multi-Organ Segmentation via Labeled Data Guide Unlabeled Data [4.775846640214768]
  半監督型多臓器画像分割は、医師が疾患の診断と治療計画を改善するのに役立つ。 キーとなる概念は、ラベル付きデータとラベルなしデータからのボクセル機能は、同じクラスに属する可能性が高い機能空間で互いに近接しているということである。 我々は、ラベル付きデータから得られた事前知識を活用してラベルなしデータのトレーニングをガイドする知識伝達クロス擬似ラベルスーパービジョン(KT-CPS)戦略を導入する。
  論文  参考訳（メタデータ） (2024-08-09T07:46:01Z)
• Leveraging Fixed and Dynamic Pseudo-labels for Semi-supervised Medical Image Segmentation [7.9449756510822915]
  半教師付き医用画像セグメンテーションは、注釈のないデータを利用する能力によって、関心が高まりつつある。 現在の最先端の手法は、主にコトレーニングフレームワーク内の擬似ラベルに依存している。 本稿では,同一の未注釈画像に対する複数の擬似ラベルを用いてラベルのないデータから学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-12T11:30:01Z)
• 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)
• 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)
• 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 [70.45813147115126]
  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)
• 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。