Fugu-MT 論文翻訳(概要): Boundary-weighted logit consistency improves calibration of segmentation networks

論文の概要: Boundary-weighted logit consistency improves calibration of segmentation networks

arxiv url: http://arxiv.org/abs/2307.08163v1
Date: Sun, 16 Jul 2023 22:13:28 GMT
ステータス: 処理完了
システム内更新日: 2023-07-18 15:12:32.211060
Title: Boundary-weighted logit consistency improves calibration of segmentation networks
Title（参考訳）: 境界重み付きロジット整合性はセグメンテーションネットワークの校正を改善する
Authors: Neerav Karani, Neel Dey, Polina Golland
Abstract要約: また,ロジット整合性は,不明瞭なラベルを持つ画素における過信予測を防止し,空間的に変化する正則化器として機能することを示す。この正則化器の境界重み付き拡張は、前立腺と心臓のMRIセグメンテーションの最先端のキャリブレーションを提供する。
参考スコア（独自算出の注目度）: 6.980357450216633
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Neural network prediction probabilities and accuracy are often only weakly-correlated. Inherent label ambiguity in training data for image segmentation aggravates such miscalibration. We show that logit consistency across stochastic transformations acts as a spatially varying regularizer that prevents overconfident predictions at pixels with ambiguous labels. Our boundary-weighted extension of this regularizer provides state-of-the-art calibration for prostate and heart MRI segmentation.
Abstract（参考訳）: ニューラルネットワーク予測の確率と精度は、しばしば弱い相関関係である。画像セグメンテーションのためのトレーニングデータにおける連続ラベルの曖昧さは、そのような誤字を増大させる。確率変換におけるロジット一貫性は空間的に変化する正規化器として作用し,曖昧なラベルを持つ画素における過密な予測を防止できることを示した。このレギュラライザーの境界強調拡張は前立腺と心臓mriの分画に対する最先端のキャリブレーションを提供する。

関連論文リスト

Towards Certification of Uncertainty Calibration under Adversarial Attacks [96.48317453951418]
攻撃はキャリブレーションを著しく損なう可能性を示し, 対向的摂動下でのキャリブレーションにおける最悪のキャリブレーション境界として認定キャリブレーションを提案する。我々は,新しいキャリブレーション攻撃を提案し,テクスタディバーショナルキャリブレーショントレーニングによりモデルキャリブレーションを改善する方法を示す。
論文参考訳（メタデータ） (2024-05-22T18:52:09Z)
Calibration by Distribution Matching: Trainable Kernel Calibration Metrics [56.629245030893685]
カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
論文参考訳（メタデータ） (2023-10-31T06:19:40Z)
ACLS: Adaptive and Conditional Label Smoothing for Network Calibration [30.80635918457243]
ネットワークキャリブレーションに対する多くのアプローチでは、正規化項を利用した正規化に基づく手法が採用されている。本稿では,既存の正規化に基づく手法の詳細な分析を行い,それらがネットワークキャリブレーションに与える影響についてより深く理解する。本稿では,既存の正規化手法の利点を統一し,制約を回避し,新たな損失関数ACLSを導入する。
論文参考訳（メタデータ） (2023-08-23T04:52:48Z)
Overcoming Distribution Mismatch in Quantizing Image Super-Resolution Networks [53.23803932357899]
量子化は画像超解像(SR)ネットワークの精度を低下させる。既存の作業は、テスト時間中に量子化範囲を動的に適応することで、この分散ミスマッチ問題に対処する。本稿では,SRネットワークにおける分散ミスマッチ問題を効果的に克服する量子化対応学習手法を提案する。
論文参考訳（メタデータ） (2023-07-25T08:50:01Z)
DOMINO: Domain-aware Model Calibration in Medical Image Segmentation [51.346121016559024]
現代のディープニューラルネットワークはキャリブレーションが不十分で、信頼性と信頼性を損なう。本稿では,クラスラベル間のセマンティック・コンフューザビリティと階層的類似性を利用したドメイン認識モデルキャリブレーション手法であるDOMINOを提案する。その結果,DOMINOを校正したディープニューラルネットワークは,頭部画像分割における非校正モデルや最先端形態計測法よりも優れていた。
論文参考訳（メタデータ） (2022-09-13T15:31:52Z)
Calibrating Segmentation Networks with Margin-based Label Smoothing [19.669173092632]
現状のキャリブレーション損失に対する統一的制約最適化の視点を提供する。これらの損失は、ロジット距離に等しい制約を課す線形ペナルティの近似と見なすことができる。我々は不等式制約に基づく単純で柔軟な一般化を提案し、ロジット距離に制御可能なマージンを課す。
論文参考訳（メタデータ） (2022-09-09T20:21:03Z)
The Devil is in the Margin: Margin-based Label Smoothing for Network Calibration [21.63888208442176]
ディープニューラルネットワークの優位な性能にもかかわらず、最近の研究では、それらが十分に校正されていないことが示されている。現状のキャリブレーション損失に対する統一的制約最適化の視点を提供する。我々は不等式制約に基づく単純で柔軟な一般化を提案し、ロジット距離に制御可能なマージンを課す。
論文参考訳（メタデータ） (2021-11-30T14:21:47Z)
Incorporating Boundary Uncertainty into loss functions for biomedical image segmentation [2.5243042477020836]
対象境界に対するソフトラベリングを制限するために形態的操作を用いる境界不確実性を提案する。境界不確かさをDiceの損失と組み合わせることで、3つの有効なバイオメディカルイメージングデータセット間で一貫して性能を向上する。
論文参考訳（メタデータ） (2021-10-31T16:19:57Z)
Spatially Varying Label Smoothing: Capturing Uncertainty from Expert Annotations [19.700271444378618]
画像分割のタスクは、解剖学的構造間の境界の正確な位置に関する曖昧さのために本質的に騒々しい。我々は、この情報は専門家のアノテーションから余分なコストで抽出することができ、ソフト確率予測と基礎となる不確実性の間の校正を改善することができると論じる。そこで我々は,アウトプット予測の校正に有効であることを示す基底真理ラベルの'blurred'バージョン上でネットワークをトレーニングするラベル平滑化(ls)を構築した。
論文参考訳（メタデータ） (2021-04-12T19:35:51Z)
Distribution-free uncertainty quantification for classification under label shift [105.27463615756733]
2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
論文参考訳（メタデータ） (2021-03-04T20:51:03Z)
Calibration of Neural Networks using Splines [51.42640515410253]
キャリブレーション誤差の測定は、2つの経験的分布を比較します。古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
論文参考訳（メタデータ） (2020-06-23T07:18:05Z)

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。