論文の概要: Annotating Ambiguous Images: General Annotation Strategy for High-Quality Data with Real-World Biomedical Validation

• arxiv url: http://arxiv.org/abs/2306.12189v2
• Date: Mon, 29 Apr 2024 14:40:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-01 01:24:18.955157
• Title: Annotating Ambiguous Images: General Annotation Strategy for High-Quality Data with Real-World Biomedical Validation
• Title（参考訳）: 曖昧な画像のアノテーション:実世界バイオメディカル検証による高品質データの一般的なアノテーション戦略
• Authors: Lars Schmarje, Vasco Grossmann, Claudius Zelenka, Johannes Brünger, Reinhard Koch,
• Abstract要約: 課題のあるデータセットで高品質なラベルを生成するための新しい戦略を導入する。 バイオメディカル分野における厳格な実世界テストケースを通して,我々の方法論を検証した。
• 参考スコア（独自算出の注目度）: 2.5817162127446154
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the field of image classification, existing methods often struggle with biased or ambiguous data, a prevalent issue in real-world scenarios. Current strategies, including semi-supervised learning and class blending, offer partial solutions but lack a definitive resolution. Addressing this gap, our paper introduces a novel strategy for generating high-quality labels in challenging datasets. Central to our approach is a clearly designed flowchart, based on a broad literature review, which enables the creation of reliable labels. We validate our methodology through a rigorous real-world test case in the biomedical field, specifically in deducing height reduction from vertebral imaging. Our empirical study, leveraging over 250,000 annotations, demonstrates the effectiveness of our strategies decisions compared to their alternatives.
• Abstract（参考訳）: 画像分類の分野では、既存の手法はバイアスや曖昧なデータに悩まされることが多い。 半教師付き学習とクラスブレンディングを含む現在の戦略は、部分的な解決策を提供するが、決定的な解決方法がない。 このギャップに対処するため,本稿では,課題のあるデータセットで高品質なラベルを生成するための新たな戦略を提案する。 私たちのアプローチの中心は、信頼性のあるラベルの作成を可能にする広範な文献レビューに基づいて、明確に設計されたフローチャートです。 バイオメディカル分野における厳密な実世界テストケースを用いて,本手法の有効性を検証した。 われわれの実証研究は、25万以上のアノテーションを活用して、戦略決定の有効性を、その代替手段と比較して実証している。

関連論文リスト

• The Impact of Semi-Supervised Learning on Line Segment Detection [11.636855122196323]
  本稿では,半教師付きフレームワークを用いた画像中の線分検出手法を提案する。 完全教師付き手法に匹敵する結果を示す。 本手法は,半教師付き学習のための近代的最先端手法を用いて,まず線検出を目標とすることを目的としている。
  論文  参考訳（メタデータ） (2024-11-07T10:28:11Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Label-Efficient Deep Learning in Medical Image Analysis: Challenges and Future Directions [10.502964056448283]
  医用画像解析のトレーニングモデルは通常、ラベル付きデータの高価で時間を要する。 我々は最近の300以上の論文を網羅的に調査し、MIAにおけるラベル効率学習戦略の進捗状況を概観した。 具体的には、標準半教師付き、自己監督型、マルチインスタンス学習スキームだけでなく、最近出現したアクティブかつアノテーション効率の学習戦略についても詳細に調査する。
  論文  参考訳（メタデータ） (2023-03-22T11:51:49Z)
• Handling Image and Label Resolution Mismatch in Remote Sensing [10.009103959118931]
  オーバヘッド画像とグラウンドトルースラベルソースの分解ミスマッチの処理方法を示す。 本稿では,低解像度ラベルを用いて教師される手法を提案する。 本手法は, 領域集約, 逆学習, 自己教師付き事前学習を取り入れ, 詳細な教師付き予測を生成する。
  論文  参考訳（メタデータ） (2022-11-28T21:56:07Z)
• Voxel-wise Adversarial Semi-supervised Learning for Medical Image Segmentation [4.489713477369384]
  医用画像セグメンテーションのための新しい対向学習に基づく半教師付きセグメンテーション手法を提案する。 本手法では,複数の階層から局所的特徴とグローバルな特徴を埋め込んで,複数のクラス間のコンテキスト関係を学習する。 左心房(シングルクラス)とマルチオーガニックデータセット(マルチクラス)のイメージセグメンテーションにおける、最先端の半教師あり学習手法よりも優れています。
  論文  参考訳（メタデータ） (2022-05-14T06:57:19Z)
• Robust Medical Image Classification from Noisy Labeled Data with Global and Local Representation Guided Co-training [73.60883490436956]
  本稿では,ロバストな医用画像分類のためのグローバルおよびローカルな表現学習を用いた新しい協調学習パラダイムを提案する。 ノイズラベルフィルタを用いた自己アンサンブルモデルを用いて、クリーンでノイズの多いサンプルを効率的に選択する。 また,ネットワークを暗黙的に正規化してノイズの多いサンプルを利用するための,グローバルかつ局所的な表現学習手法を設計する。
  論文  参考訳（メタデータ） (2022-05-10T07:50:08Z)
• Imposing Consistency for Optical Flow Estimation [73.53204596544472]
  プロキシタスクによる一貫性の導入は、データ駆動学習を強化することが示されている。 本稿では,光フロー推定のための新しい,効果的な整合性戦略を提案する。
  論文  参考訳（メタデータ） (2022-04-14T22:58:30Z)
• Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised Person Re-Identification and Text Authorship Attribution [77.85461690214551]
  完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。 近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。 本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-07T13:08:11Z)
• Region-level Active Learning for Cluttered Scenes [60.93811392293329]
  本稿では,従来の画像レベルのアプローチとオブジェクトレベルのアプローチを一般化した領域レベルのアプローチに仮定する新たな戦略を提案する。 その結果,本手法はラベル付けの労力を大幅に削減し,クラス不均衡や散らかったシーンを生かしたリアルなデータに対する希少なオブジェクト検索を改善することが示唆された。
  論文  参考訳（メタデータ） (2021-08-20T14:02:38Z)
• Semi-Supervised Domain Generalization with Stochastic StyleMatch [90.98288822165482]
  実世界のアプリケーションでは、アノテーションのコストが高いため、各ソースドメインから利用可能なラベルはわずかです。 本研究では,より現実的で実践的な半教師付き領域一般化について検討する。 提案手法であるStyleMatchは,擬似ラベルに基づく最先端の半教師付き学習手法であるFixMatchに着想を得たものである。
  論文  参考訳（メタデータ） (2021-06-01T16:00:08Z)

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。