論文の概要: Learning to Segment from Noisy Annotations: A Spatial Correction Approach

• arxiv url: http://arxiv.org/abs/2308.02498v1
• Date: Fri, 21 Jul 2023 00:27:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-14 01:28:53.908647
• Title: Learning to Segment from Noisy Annotations: A Spatial Correction Approach
• Title（参考訳）: 雑音下のアノテーションからセグメンテーションへの学習:空間補正アプローチ
• Authors: Jiachen Yao, Yikai Zhang, Songzhu Zheng, Mayank Goswami, Prateek Prasanna, Chao Chen
• Abstract要約: ノイズラベルはディープニューラルネットワーク(DNN)の性能に大きく影響する 空間相関とバイアスの両方をエンコードするセグメンテーションノイズアノテーションのための新しいマルコフモデルを提案する。 提案手法は, 合成および実世界のノイズアノテーションにおいて, 最先端の手法よりも優れている。
• 参考スコア（独自算出の注目度）: 12.604673584405385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Noisy labels can significantly affect the performance of deep neural networks (DNNs). In medical image segmentation tasks, annotations are error-prone due to the high demand in annotation time and in the annotators' expertise. Existing methods mostly assume noisy labels in different pixels are \textit{i.i.d}. However, segmentation label noise usually has strong spatial correlation and has prominent bias in distribution. In this paper, we propose a novel Markov model for segmentation noisy annotations that encodes both spatial correlation and bias. Further, to mitigate such label noise, we propose a label correction method to recover true label progressively. We provide theoretical guarantees of the correctness of the proposed method. Experiments show that our approach outperforms current state-of-the-art methods on both synthetic and real-world noisy annotations.
• Abstract（参考訳）: ノイズラベルはディープニューラルネットワーク(DNN)の性能に大きな影響を与える。 医用画像のセグメンテーションタスクでは、アノテーション時間やアノテーションの専門知識の要求が高いため、アノテーションはエラーを起こしやすい。 既存の方法は、主に異なるピクセルのノイズラベルが \textit{i.i.d} であると仮定する。 しかしながら、セグメンテーションラベルノイズは通常強い空間相関を持ち、分布の偏りが顕著である。 本稿では,空間的相関とバイアスの両方を符号化したセグメンテーションノイズアノテーションのための新しいマルコフモデルを提案する。 さらに、そのようなラベルノイズを軽減するために、真のラベルを段階的に復元するラベル補正手法を提案する。 提案手法の正確性を理論的に保証する。 実験により,本手法は,合成および実世界の雑音アノテーションにおいて,最先端の手法よりも優れていることが示された。

関連論文リスト

• Extracting Clean and Balanced Subset for Noisy Long-tailed Classification [66.47809135771698]
  そこで我々は,分布マッチングの観点から,クラスプロトタイプを用いた新しい擬似ラベリング手法を開発した。 手動で特定の確率尺度を設定することで、ノイズと長い尾を持つデータの副作用を同時に減らすことができる。 本手法は, クリーンなラベル付きクラスバランスサブセットを抽出し, ラベルノイズ付きロングテール分類において, 効果的な性能向上を実現する。
  論文  参考訳（メタデータ） (2024-04-10T07:34:37Z)
• Clean Label Disentangling for Medical Image Segmentation with Noisy Labels [25.180056839942345]
  医用画像のセグメンテーションに焦点を当てた現在の手法は、ノイズラベル問題として知られる誤ったアノテーションに悩まされている。 本稿では,クラス不均衡問題に対処するためのクラス不均衡サンプリング戦略を提案する。 クリーン・ラベル・ディエンタング・フレームワークを、新しいノイズの多い機能支援・クリーン・ラベル・ディエンタング・フレームワークに拡張します。
  論文  参考訳（メタデータ） (2023-11-28T07:54:27Z)
• Category-Adaptive Label Discovery and Noise Rejection for Multi-label Image Recognition with Partial Positive Labels [78.88007892742438]
  部分正ラベル(MLR-PPL)を用いたマルチラベルモデルの訓練が注目されている。 これまでの研究では、未知のラベルを負とみなし、従来のMLRアルゴリズムを採用した。 我々は,MLR-PPLタスクを容易にするために,異なる画像間の意味的相関について検討する。
  論文  参考訳（メタデータ） (2022-11-15T02:11:20Z)
• Adaptive Early-Learning Correction for Segmentation from Noisy Annotations [13.962891776039369]
  不正確な注釈付きデータに基づいて訓練されたディープセグメンテーションネットワークの学習ダイナミクスについて検討する。 2つのキー要素を持つノイズの多いアノテーションから分割する新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-10-07T18:46:23Z)
• Label Noise in Adversarial Training: A Novel Perspective to Study Robust Overfitting [45.58217741522973]
  逆行訓練においてラベルノイズが存在することを示す。 このようなラベルノイズは、正反対例の真のラベル分布とクリーン例から受け継いだラベルとのミスマッチに起因する。 本稿では,ラベルノイズと頑健なオーバーフィッティングに対処するため,ラベルの自動校正手法を提案する。
  論文  参考訳（メタデータ） (2021-10-07T01:15:06Z)
• Instance-dependent Label-noise Learning under a Structural Causal Model [92.76400590283448]
  ラベルノイズはディープラーニングアルゴリズムの性能を劣化させる。 構造因果モデルを活用することにより,実例依存型ラベルノイズ学習のための新しい生成手法を提案する。
  論文  参考訳（メタデータ） (2021-09-07T10:42:54Z)
• Superpixel-guided Iterative Learning from Noisy Labels for Medical Image Segmentation [24.557755528031453]
  セグメンテーションネットワークの雑音認識学習とノイズラベル改善を組み合わせた,頑健な反復学習戦略を開発する。 2つのベンチマーク実験により,本手法は最近の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-21T14:27:36Z)
• Tackling Instance-Dependent Label Noise via a Universal Probabilistic Model [80.91927573604438]
  本稿では,ノイズラベルをインスタンスに明示的に関連付ける,単純かつ普遍的な確率モデルを提案する。 合成および実世界のラベルノイズを用いたデータセット実験により,提案手法がロバスト性に大きな改善をもたらすことを確認した。
  論文  参考訳（メタデータ） (2021-01-14T05:43:51Z)
• A Second-Order Approach to Learning with Instance-Dependent Label Noise [58.555527517928596]
  ラベルノイズの存在は、しばしばディープニューラルネットワークのトレーニングを誤解させる。 人間による注釈付きラベルのエラーは、タスクの難易度レベルに依存する可能性が高いことを示しています。
  論文  参考訳（メタデータ） (2020-12-22T06:36:58Z)
• Error-Bounded Correction of Noisy Labels [17.510654621245656]
  ノイズのある分類器の予測は、トレーニングデータのラベルがクリーンかどうかを示す良い指標であることを示す。 理論的結果に基づいて,雑音分類器の予測に基づいてラベルを補正する新しいアルゴリズムを提案する。 ラベル補正アルゴリズムをディープニューラルネットワークのトレーニングや,複数の公開データセット上で優れたテスト性能を実現するトレーニングモデルに組み込む。
  論文  参考訳（メタデータ） (2020-11-19T19:23:23Z)
• Class2Simi: A Noise Reduction Perspective on Learning with Noisy Labels [98.13491369929798]
  そこで我々は,ノイズのあるクラスラベルを持つデータポイントを,ノイズの多い類似ラベルを持つデータペアに変換するClass2Simiというフレームワークを提案する。 Class2Simiは、この変換がミニバッチのオンザフライであるだけでなく、モデル予測上の損失をペアワイズに変化させるため、計算的に効率的である。
  論文  参考訳（メタデータ） (2020-06-14T07:55:32Z)

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。