論文の概要: Pseudo-Labeling Enhanced by Privileged Information and Its Application to In Situ Sequencing Images

• arxiv url: http://arxiv.org/abs/2306.15898v1
• Date: Wed, 28 Jun 2023 03:44:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-29 15:54:12.912882
• Title: Pseudo-Labeling Enhanced by Privileged Information and Its Application to In Situ Sequencing Images
• Title（参考訳）: 特権情報による擬似ラベル化とそのin situシーケンシング画像への応用
• Authors: Marzieh Haghighi, Mario C. Cruz, Erin Weisbart, Beth A. Cimini, Avtar Singh, Julia Bauman, Maria E. Lozada, Sanam L. Kavari, James T. Neal, Paul C. Blainey, Anne E. Carpenter and Shantanu Singh
• Abstract要約: 本研究では,空間転写学において,半教師付き物体検出問題として重要な問題を提起する。 提案フレームワークは,情報ソースを半教師付き学習フレームワークに組み込む。 利用可能な特権情報は、データドメイン固有のものだが、擬似ラベルの一般的な戦略を導入している。
• 参考スコア（独自算出の注目度）: 0.9928479118868602
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Various strategies for label-scarce object detection have been explored by the computer vision research community. These strategies mainly rely on assumptions that are specific to natural images and not directly applicable to the biological and biomedical vision domains. For example, most semi-supervised learning strategies rely on a small set of labeled data as a confident source of ground truth. In many biological vision applications, however, the ground truth is unknown and indirect information might be available in the form of noisy estimations or orthogonal evidence. In this work, we frame a crucial problem in spatial transcriptomics - decoding barcodes from In-Situ-Sequencing (ISS) images - as a semi-supervised object detection (SSOD) problem. Our proposed framework incorporates additional available sources of information into a semi-supervised learning framework in the form of privileged information. The privileged information is incorporated into the teacher's pseudo-labeling in a teacher-student self-training iteration. Although the available privileged information could be data domain specific, we have introduced a general strategy of pseudo-labeling enhanced by privileged information (PLePI) and exemplified the concept using ISS images, as well on the COCO benchmark using extra evidence provided by CLIP.
• Abstract（参考訳）: ラベル・スカース物体検出のための様々な戦略がコンピュータビジョン研究コミュニティによって検討されている。 これらの戦略は主に、自然画像に特有の仮定に依存しており、生物学的および生物医学的な視覚領域に直接適用されない。 例えば、ほとんどの半教師付き学習戦略は、信頼できる真実の情報源としてラベル付きデータの小さなセットに依存している。 しかし、多くの生物学的視覚応用において、基礎的真理は未知であり、間接的な情報はノイズ推定や直交的証拠という形で利用可能である。 本研究では,半教師付き物体検出(ssod)問題として,空間的トランスクリプトミクス(iss画像からバーコードを復号する)における重要な問題を考察する。 提案フレームワークは,半教師付き学習フレームワークに特権情報という形で追加可能な情報ソースを組み込む。 特権情報は教師の疑似ラベルに組み込まれ、教師の教師が自習するイテレーションで学習される。 利用可能な特権情報はデータドメインに特化することができるが、特権情報(PLePI)によって強化された擬似ラベルの一般的な戦略を導入し、ISSイメージとCLIPが提供する余分な証拠を用いたCOCOベンチマークを用いて概念を実証した。

関連論文リスト

• Weakly supervised localisation of prostate cancer using reinforcement learning for bi-parametric MR images [7.581910662038098]
  画像内の関心領域をローカライズする関数を,新たな報酬定義を導入することで訓練する。 オブジェクトプレゼンス分類器は、オブジェクトを含む画像の可能性を定量化することにより、コントローラにそのローカライズ品質を通知することができる。 前立腺の2パラメータMR画像の大規模データセットを用いた癌病変局所化の課題に対する提案手法の評価を行った。
  論文  参考訳（メタデータ） (2024-02-21T12:57:43Z)
• CSP: Self-Supervised Contrastive Spatial Pre-Training for Geospatial-Visual Representations [90.50864830038202]
  ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。 デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。 CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-05-01T23:11:18Z)
• Exploring Self-Supervised Representation Learning For Low-Resource Medical Image Analysis [2.458658951393896]
  小型医用画像データセットにおける自己教師付き学習アルゴリズムの適用性について検討する。 ドメイン内の低リソースSSL事前トレーニングは、大規模なデータセットから学習を移行するための競合的なパフォーマンスをもたらす可能性がある。
  論文  参考訳（メタデータ） (2023-03-03T22:26:17Z)
• Intra and Cross-spectrum Iris Presentation Attack Detection in the NIR and Visible Domains Using Attention-based and Pixel-wise Supervised Learning [8.981081097203088]
  アイリス提示攻撃検出(PAD)はアイリス認識システムに必須である。 近年のIris PADソリューションは、ディープラーニング技術を活用して優れた性能を実現している。 本章では,新しい注目型深部画素二元監督法(A-PBS)を提案する。
  論文  参考訳（メタデータ） (2022-05-05T11:12:59Z)
• CELESTIAL: Classification Enabled via Labelless Embeddings with Self-supervised Telescope Image Analysis Learning [0.34998703934432673]
  衛星画像の疎ラベル化を効果的に活用するための,自己教師型学習パイプラインCELESTIALを構築した。 このパイプラインは、まずラベルのないデータのイメージ表現を学習し、提供されたラベルの知識を微調整するアルゴリズムであるSimCLRをうまく適応させる。 その結果,CELESTIALはラベルの3分の1しか必要とせず,教師あり手法が実験データセット上で同じ精度を達成する必要があることがわかった。
  論文  参考訳（メタデータ） (2022-01-20T04:59:05Z)
• Streaming Self-Training via Domain-Agnostic Unlabeled Images [62.57647373581592]
  視覚認識モデル学習の過程を民主化することを目的としたストリーミング自己学習(SST)を提案する。 SSTの鍵となるのは、(1)ドメインに依存しない未ラベル画像により、追加の知識や監督なしにいくつかのラベル付き例でより良いモデルを学ぶことができ、(2)学習は継続的なプロセスであり、学習更新のスケジュールを構築することで行うことができる。
  論文  参考訳（メタデータ） (2021-04-07T17:58:39Z)
• Graph-based Semi-supervised Learning: A Comprehensive Review [51.26862262550445]
  半教師付き学習(ssl)はラベル付きデータとラベルなしデータの両方を利用する能力があるため、実際非常に価値があります。 重要なSSLメソッドのクラスは、グラフベースの半教師付き学習(GSSL)メソッドに対応するグラフとしてデータを自然に表現することです。 GSSLメソッドは、構造のユニークさ、アプリケーションの普遍性、大規模データへのスケーラビリティのために、さまざまなドメインでその利点を実証しています。
  論文  参考訳（メタデータ） (2021-02-26T05:11:09Z)
• DSAL: Deeply Supervised Active Learning from Strong and Weak Labelers for Biomedical Image Segmentation [13.707848142719424]
  アクティブ学習とセミスーパーバイザー学習戦略を組み合わせた深層アクティブセミスーパーバイザー学習フレームワークDSALを提案します。 DSALでは, 深層監視機構に基づく新たな基準が提案され, 高い不確実性を有する情報サンプルを選定する。 提案した基準を用いて,強ラベルと弱ラベルのサンプルを選択し,各アクティブな学習イテレーションにおいて,オラクルラベルと擬似ラベルを同時に生成する。
  論文  参考訳（メタデータ） (2021-01-22T11:31:33Z)
• Weakly-supervised Salient Instance Detection [65.0408760733005]
  本報告では,本問題に対する第1の弱教師付きアプローチを提案する。 本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
  論文  参考訳（メタデータ） (2020-09-29T09:47:23Z)
• 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)
• Gradient-Induced Co-Saliency Detection [81.54194063218216]
  Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。 本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
  論文  参考訳（メタデータ） (2020-04-28T08:40:55Z)

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。