論文の概要: Rapid Image Labeling via Neuro-Symbolic Learning

• arxiv url: http://arxiv.org/abs/2306.10490v1
• Date: Sun, 18 Jun 2023 07:02:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 20:23:25.995024
• Title: Rapid Image Labeling via Neuro-Symbolic Learning
• Title（参考訳）: ニューロシンボリック学習による高速画像ラベリング
• Authors: Yifeng Wang, Zhi Tu, Yiwen Xiang, Shiyuan Zhou, Xiyuan Chen, Bingxuan Li, and Tianyi Zhang
• Abstract要約: 本稿では,少量のラベル付きデータから画像ラベリングルールを推論するRapidというニューロシンボリックアプローチを提案する。 特にRapidは、事前訓練されたCVモデルと帰納的論理学習を組み合わせて、ロジックベースのラベリングルールを推論する。 ラピッドは4つの画像ラベリングタスクにおいて83.33%から88.33%のラベル付け精度を達成し、12から39のラベル付きサンプルしか持たない。
• 参考スコア（独自算出の注目度）: 5.506243103965863
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The success of Computer Vision (CV) relies heavily on manually annotated data. However, it is prohibitively expensive to annotate images in key domains such as healthcare, where data labeling requires significant domain expertise and cannot be easily delegated to crowd workers. To address this challenge, we propose a neuro-symbolic approach called Rapid, which infers image labeling rules from a small amount of labeled data provided by domain experts and automatically labels unannotated data using the rules. Specifically, Rapid combines pre-trained CV models and inductive logic learning to infer the logic-based labeling rules. Rapid achieves a labeling accuracy of 83.33% to 88.33% on four image labeling tasks with only 12 to 39 labeled samples. In particular, Rapid significantly outperforms finetuned CV models in two highly specialized tasks. These results demonstrate the effectiveness of Rapid in learning from small data and its capability to generalize among different tasks. Code and our dataset are publicly available at https://github.com/Neural-Symbolic-Image-Labeling/
• Abstract（参考訳）: コンピュータビジョン(cv)の成功は、手動の注釈データに大きく依存している。 しかし、データラベリングには重要なドメイン専門知識が必要であり、クラウドワーカーに簡単に委譲することはできない、ヘルスケアのような重要なドメインで画像に注釈をつけるのは、非常に高価である。 この課題に対処するために、ドメインの専門家が提供した少量のラベル付きデータから画像ラベル規則を推論し、そのルールを用いて無注釈データを自動的にラベル付けするRapidというニューロシンボリックアプローチを提案する。 特にRapidは、事前訓練されたCVモデルと誘導論理学習を組み合わせて、ロジックベースのラベリングルールを推論する。 rapidは4つの画像ラベリングタスクで83.33%から88.33%のラベリング精度を達成している。 特にrapidは、2つの高度に専門的なタスクで微調整されたcvモデルを大幅に上回っている。 これらの結果は,小さなデータから高速に学習することの有効性と,異なるタスクを一般化する能力を示している。 コードとデータセットはhttps://github.com/Neural-Symbolic-Image-Labeling/で公開されています。

関連論文リスト

• Automating Weak Label Generation for Data Programming with Clinicians in the Loop [5.729255216041754]
  本稿では,データセットのいくつかの代表的なサンプルのラベルについて,専門家に問い合わせるアルゴリズムを提案する。 専門家によって割り当てられたラベルは、完全なデータセットのラベル付けを誘導し、データプログラミングパイプラインで使用される弱いラベルを生成する。 医療時系列調査では,3,265サンプル中50～130サブセットのラベル付けが17～28%,F1の13～28%の精度向上を示した。
  論文  参考訳（メタデータ） (2024-07-10T18:29:22Z)
• Improving Model Training via Self-learned Label Representations [5.969349640156469]
  より洗練されたラベル表現は、通常のワンホット符号化よりも分類に適していることが示される。 分類タスクの学習中にラベル表現を同時に学習する適応ラベル付き学習(LwAL)アルゴリズムを提案する。 我々のアルゴリズムは無視可能な追加パラメータを導入し、計算オーバーヘッドを最小限に抑える。
  論文  参考訳（メタデータ） (2022-09-09T21:10:43Z)
• Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
  胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。 ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-01T09:20:30Z)
• Semi-weakly Supervised Contrastive Representation Learning for Retinal Fundus Images [0.2538209532048867]
  本稿では,半弱化アノテーションを用いた表現学習のための,半弱化教師付きコントラスト学習フレームワークを提案する。 SWCLの移動学習性能を7つの公立網膜眼底データセットで実証的に検証した。
  論文  参考訳（メタデータ） (2021-08-04T15:50:09Z)
• Boosting Semi-Supervised Face Recognition with Noise Robustness [54.342992887966616]
  本稿では,自動ラベルによるラベル雑音に対して頑健な半教師付き顔認識に対する効果的な解法を提案する。 そこで我々は,gnが強化するロバストな学習能力に基づく,ノイズロバスト学習ラベリング(nroll)という,半教師付き顔認識ソリューションを開発した。
  論文  参考訳（メタデータ） (2021-05-10T14:43:11Z)
• Adaptive Self-training for Few-shot Neural Sequence Labeling [55.43109437200101]
  ニューラルシークエンスラベリングモデルにおけるラベル不足問題に対処する手法を開発した。 自己学習は、大量のラベルのないデータから学ぶための効果的なメカニズムとして機能する。 メタラーニングは、適応的なサンプル再重み付けにおいて、ノイズのある擬似ラベルからのエラー伝播を軽減するのに役立つ。
  論文  参考訳（メタデータ） (2020-10-07T22:29:05Z)
• Attention-Aware Noisy Label Learning for Image Classification [97.26664962498887]
  大規模ラベル付きサンプルで学習した深層畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおいて顕著な進歩を遂げている。 大量のラベル付きビジュアルデータを取得する最も安価な方法は、Flickrのようなユーザーが提供するラベルでウェブサイトからクロールすることである。 本稿では,潜在的なラベルノイズのあるデータセットに基づいて学習したネットワークの識別能力を向上させるために,注目に敏感なラベル学習手法を提案する。
  論文  参考訳（メタデータ） (2020-09-30T15:45:36Z)
• Knowledge-Guided Multi-Label Few-Shot Learning for General Image Recognition [75.44233392355711]
  KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。 まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。 次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。 グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
  論文  参考訳（メタデータ） (2020-09-20T15:05:29Z)
• LEAN-LIFE: A Label-Efficient Annotation Framework Towards Learning from Explanation [40.72453599376169]
  LEAN-LIFEは、シーケンスラベリングと分類タスクのためのWebベースのラベル有効アノテーションフレームワークである。 我々のフレームワークは、この強化された監視技術を利用した最初のものであり、3つの重要なタスクに役立ちます。
  論文  参考訳（メタデータ） (2020-04-16T07:38:07Z)
• 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。