論文の概要: WeakPolyp: You Only Look Bounding Box for Polyp Segmentation

• arxiv url: http://arxiv.org/abs/2307.10912v1
• Date: Thu, 20 Jul 2023 14:34:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-21 12:39:36.892584
• Title: WeakPolyp: You Only Look Bounding Box for Polyp Segmentation
• Title（参考訳）: weak polyp: ポリプセグメンテーションのバウンディングボックスだけを見る
• Authors: Jun Wei, Yiwen Hu, Shuguang Cui, S.Kevin Zhou, Zhen Li
• Abstract要約: 我々はバウンディングボックスアノテーションに基づいて弱教師付きポリプセグメンテーションモデル(WeakPolyp)を学習する。 干渉を避けるため、マスク・トゥ・ボックス変換(M2B)を導入する。 予測自体ではなく予測の外側ボックスマスクを監視することにより、M2Bは粗いラベルと正確な予測とのミスマッチを大幅に軽減する。
• 参考スコア（独自算出の注目度）: 42.37449127543037
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Limited by expensive pixel-level labels, polyp segmentation models are plagued by data shortage and suffer from impaired generalization. In contrast, polyp bounding box annotations are much cheaper and more accessible. Thus, to reduce labeling cost, we propose to learn a weakly supervised polyp segmentation model (i.e., WeakPolyp) completely based on bounding box annotations. However, coarse bounding boxes contain too much noise. To avoid interference, we introduce the mask-to-box (M2B) transformation. By supervising the outer box mask of the prediction instead of the prediction itself, M2B greatly mitigates the mismatch between the coarse label and the precise prediction. But, M2B only provides sparse supervision, leading to non-unique predictions. Therefore, we further propose a scale consistency (SC) loss for dense supervision. By explicitly aligning predictions across the same image at different scales, the SC loss largely reduces the variation of predictions. Note that our WeakPolyp is a plug-and-play model, which can be easily ported to other appealing backbones. Besides, the proposed modules are only used during training, bringing no computation cost to inference. Extensive experiments demonstrate the effectiveness of our proposed WeakPolyp, which surprisingly achieves a comparable performance with a fully supervised model, requiring no mask annotations at all.
• Abstract（参考訳）: 高価なピクセルレベルラベルに制限されたポリプセグメンテーションモデルは、データ不足と一般化に苦しむ。 対照的に、polypバウンディングボックスアノテーションはずっと安く、よりアクセスしやすい。 したがって,ラベル付けコストを削減するため,境界ボックスアノテーションをベースとした弱教師付きポリプセグメンテーションモデル(WeakPolyp)の学習を提案する。 しかし、粗い境界ボックスにはノイズが多すぎる。 干渉を避けるため,マスクツーボックス変換(m2b)を導入する。 予測自体ではなく予測の外側ボックスマスクを監視することにより、M2Bは粗いラベルと正確な予測とのミスマッチを大幅に軽減する。 しかし、M2Bは厳密な監視しか提供せず、異常な予測に繋がる。 そこで我々はさらに,集中管理のためのスケール一貫性(SC)損失を提案する。 異なるスケールで同じ画像で予測を明示的に調整することで、sc損失は予測のばらつきを大幅に減少させる。 WeakPolypはプラグアンドプレイモデルで、他の魅力的なバックボーンに簡単に移植できます。 さらに、提案されたモジュールはトレーニング中にのみ使用され、推論に計算コストがかからない。 提案するweakpolypは,マスクアノテーションをまったく必要とせず,完全に教師付きモデルと同等の性能を実現している。

関連論文リスト

• MixPolyp: Integrating Mask, Box and Scribble Supervision for Enhanced Polyp Segmentation [45.81056373994976]
  MixPolypは、さまざまなアノテーションタイプ(マスク、ボックス、スクリブル)を単一のモデルに結合する。 様々なアノテーションを扱うために、3つの新しい監視損失が導入された。 5つのデータセットの実験では、MixPolypの有効性が示されている。
  論文  参考訳（メタデータ） (2024-09-25T09:34:44Z)
• ECC-PolypDet: Enhanced CenterNet with Contrastive Learning for Automatic Polyp Detection [88.4359020192429]
  既存の手法では、計算コストのかかるコンテキストアグリゲーションが伴うか、ポリープの事前モデリングが欠如しているため、難解なケースでは性能が低下する。 本稿では,2段階のトレーニングとエンドツーエンド推論フレームワークである Enhanced CenterNet with Contrastive Learning (ECC-PolypDet) を提案する。 Box-assisted Contrastive Learning (BCL) は, クラス内差を最小限に抑え, 前庭ポリープと背景のクラス間差を最大化するため, 隠れポリープを捕捉する。 微調整段階におけるIoU誘導サンプル再重み付けの導入
  論文  参考訳（メタデータ） (2024-01-10T07:03:41Z)
• ScribblePolyp: Scribble-Supervised Polyp Segmentation through Dual Consistency Alignment [9.488599217305625]
  ScribblePolypは,スクリブルを教師する新しいポリープセグメンテーションフレームワークである。 完全に教師されたモデルとは異なり、ScribblePolypは各画像に対して2行(スクリブルラベル)のアノテーションを必要とする。 画素のかなりの部分がラベル付けされていないスクリブルラベルの粗い性質にもかかわらず、我々は2分岐整合性アプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-09T03:23:25Z)
• Real-time instance segmentation with polygons using an Intersection-over-Union loss [13.020122353444497]
  従来型回帰L1損失を新しい領域ベース損失と新しい順序損失で向上させることにより、CenterPolyよりも改善する。 実験により、回帰損失と地域ベースの損失の組み合わせは、CityscapesとIDDテストセットに大きな改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-09T14:43:38Z)
• BoxSnake: Polygonal Instance Segmentation with Box Supervision [34.487089567665556]
  ボックスアノテーションのみを用いた効率的な多角形インスタンスセグメンテーションを実現するために,BoxSnakeと呼ばれる新しいエンドツーエンドトレーニング手法を提案する。 BoxSnakeはマスクベースの弱教師付き手法と比較して、予測セグメンテーションとバウンディングボックスの間のパフォーマンスギャップをさらに減らし、Cityscapesデータセットに顕著な優位性を示す。
  論文  参考訳（メタデータ） (2023-03-21T06:54:18Z)
• BoxPolyp:Boost Generalized Polyp Segmentation Using Extra Coarse Bounding Box Annotations [79.17754846553866]
  我々は、正確なマスクと余分な粗いボックスアノテーションをフル活用するための強化されたBoxPolypモデルを提案する。 実際には、従来のポリプセグメンテーションモデルの過度に適合する問題を緩和するためにボックスアノテーションが適用される。 提案手法は従来の最先端手法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2022-12-07T07:45:50Z)
• GFlowOut: Dropout with Generative Flow Networks [76.59535235717631]
  モンテカルロ・ドロップアウトは近似推論の比較的安価な方法として広く利用されている。 最近の研究は、ドロップアウトマスクを潜伏変数と見なすことができ、変動推論で推測できることを示している。 GFlowOutleveragesは、最近提案されたジェネレーティブフローネットワーク(GFlowNets)の確率的フレームワークを使用して、ドロップアウトマスク上の後部分布を学習する。
  論文  参考訳（メタデータ） (2022-10-24T03:00:01Z)
• Masksembles for Uncertainty Estimation [60.400102501013784]
  ディープニューラルネットワークは、その強みを巧みに実証しているが、その予測の信頼性を推定することは依然として困難である。 深層アンサンブルは不確かさを推定する最良の方法の1つと考えられているが、訓練や評価は非常に高価である。 mc-dropoutも人気の高い代替品で、安価だが信頼性も低い。
  論文  参考訳（メタデータ） (2020-12-15T14:39:57Z)

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。