論文の概要: EdgeAL: An Edge Estimation Based Active Learning Approach for OCT Segmentation

• arxiv url: http://arxiv.org/abs/2307.10745v2
• Date: Tue, 25 Jul 2023 14:25:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-26 20:02:05.423681
• Title: EdgeAL: An Edge Estimation Based Active Learning Approach for OCT Segmentation
• Title（参考訳）: Edgeal: OCTセグメンテーションのためのエッジ推定に基づくアクティブラーニングアプローチ
• Authors: Md Abdul Kadir, Hasan Md Tusfiqur Alam, Daniel Sonntag
• Abstract要約: 本研究では,未確認画像のエッジ情報を不確実性を測定するための事前情報として利用するEdgeALを提案する。 この不確実性は、エッジ間のモデル予測におけるばらつきとエントロピーを分析することによって定量化される。 We demonstrate the effective of EdgeAL on multi-class Optical Coherence Tomography (OCT) segmentation task。
• 参考スコア（独自算出の注目度）: 2.2237337682863125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Active learning algorithms have become increasingly popular for training models with limited data. However, selecting data for annotation remains a challenging problem due to the limited information available on unseen data. To address this issue, we propose EdgeAL, which utilizes the edge information of unseen images as {\it a priori} information for measuring uncertainty. The uncertainty is quantified by analyzing the divergence and entropy in model predictions across edges. This measure is then used to select superpixels for annotation. We demonstrate the effectiveness of EdgeAL on multi-class Optical Coherence Tomography (OCT) segmentation tasks, where we achieved a 99% dice score while reducing the annotation label cost to 12%, 2.3%, and 3%, respectively, on three publicly available datasets (Duke, AROI, and UMN). The source code is available at \url{https://github.com/Mak-Ta-Reque/EdgeAL}
• Abstract（参考訳）: アクティブラーニングアルゴリズムは、限られたデータでモデルのトレーニングにますます人気がある。 しかし,未取得データで利用可能な情報量が限られているため,アノテーションデータの選択は依然として難しい課題である。 そこで本研究では,不確かさを計測するために,未検出画像のエッジ情報を先行情報として利用するedgealを提案する。 不確かさは、エッジを横断するモデル予測の発散とエントロピーを分析することによって定量化される。 この尺度はアノテーション用のスーパーピクセルを選択するために使われる。 マルチクラス光コヒーレンス・トモグラフィ(OCT)セグメンテーションタスクにおけるEdgeALの有効性を実証し、アノテーションラベルのコストを3つの公開データセット(Duke, AROI, UMN)でそれぞれ12%, 2.3%, 3%に削減し、99%のダイススコアを得た。 ソースコードは \url{https://github.com/Mak-Ta-Reque/EdgeAL} で入手できる。

関連論文リスト

• Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
  半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。 既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。 本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-13T04:16:40Z)
• Hierarchical Point-based Active Learning for Semi-supervised Point Cloud Semantic Segmentation [48.40853126077237]
  大規模ポイントクラウドデータをポイントワイドラベルで取得することは、労働集約的だ。 アクティブラーニングは、この目的を達成するための効果的な戦略の1つだが、まだ探索されていない。 本稿では,階層的なポイントベースアクティブラーニング戦略を開発する。
  論文  参考訳（メタデータ） (2023-08-22T03:52:05Z)
• Exploring Active 3D Object Detection from a Generalization Perspective [58.597942380989245]
  不確実性に基づくアクティブな学習ポリシーは、ポイントクラウドの情報性とボックスレベルのアノテーションコストの間のトレードオフのバランスを取れません。 冗長な3次元境界ボックスラベルの点群を階層的にフィルタリングするtextscCrbを提案する。 実験により,提案手法が既存のアクティブラーニング戦略より優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-23T02:43:03Z)
• Are All Edges Necessary? A Unified Framework for Graph Purification [6.795209119198288]
  グラフのすべてのエッジが機械学習モデルのトレーニングに必要ではない。 本稿では,新たな視点からグラフデータを浄化するために,エッジをドロップする手法を提案する。
  論文  参考訳（メタデータ） (2022-11-09T20:28:25Z)
• Diffusion Unit: Interpretable Edge Enhancement and Suppression Learning for 3D Point Cloud Segmentation [8.79434587245741]
  3次元点雲は連続した表面の離散的なサンプルであり、様々な用途に利用できる。 真の接続情報、すなわちエッジ情報の欠如は、ポイントクラウド認識を困難にしている。 最近のエッジ認識手法は、エッジモデリングをネットワーク設計に組み込んで、局所構造をよりよく記述している。 本稿では,エッジ情報を原理的かつ解釈可能な方法で処理するDiffusion Unit (DU) を提案する。
  論文  参考訳（メタデータ） (2022-09-20T05:52:28Z)
• Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
  半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。 サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
  論文  参考訳（メタデータ） (2022-05-02T16:09:17Z)
• Dense Extreme Inception Network for Edge Detection [0.0]
  エッジ検出は多くのコンピュータビジョンアプリケーションの基礎となっている。 公開されているデータセットのほとんどは、エッジ検出タスクのためにキュレーションされていない。 エッジの新しいデータセットを提示する。 エッジ検出のためのDense Extreme Inception Network (DexiNed) と呼ばれる新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-04T05:38:50Z)
• SCAN: Learning to Classify Images without Labels [73.69513783788622]
  機能学習とクラスタリングを分離する2段階のアプローチを提唱する。 表現学習からの自己教師型タスクを用いて意味論的意味のある特徴を得る。 我々は、ImageNet上で有望な結果を得、低データ体制下では、いくつかの半教師付き学習方法より優れています。
  論文  参考訳（メタデータ） (2020-05-25T18:12:33Z)
• Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
  本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。 これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。 SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
  論文  参考訳（メタデータ） (2020-02-11T14:04:56Z)

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。