論文の概要: Exploring Unsupervised Cell Recognition with Prior Self-activation Maps
- arxiv url: http://arxiv.org/abs/2308.11144v1
- Date: Tue, 22 Aug 2023 02:54:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 19:29:55.492505
- Title: Exploring Unsupervised Cell Recognition with Prior Self-activation Maps
- Title（参考訳）: 自己活性化マップを用いた教師なし細胞認識の探索
- Authors: Pingyi Chen, Chenglu Zhu, Zhongyi Shui, Jiatong Cai, Sunyi Zheng,
Shichuan Zhang, Lin Yang
- Abstract要約: トレーニング対象として擬似マスクを生成するために, 事前自己活性化マップ(PSM)が提案されている。
MoNuSeg(細胞セグメンテーション)とBCData(マルチクラス細胞検出)の2つの組織学的データセットを用いて本手法の評価を行った。
- 参考スコア（独自算出の注目度）: 5.746092401615179
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The success of supervised deep learning models on cell recognition tasks
relies on detailed annotations. Many previous works have managed to reduce the
dependency on labels. However, considering the large number of cells contained
in a patch, costly and inefficient labeling is still inevitable. To this end,
we explored label-free methods for cell recognition. Prior self-activation maps
(PSM) are proposed to generate pseudo masks as training targets. To be
specific, an activation network is trained with self-supervised learning. The
gradient information in the shallow layers of the network is aggregated to
generate prior self-activation maps. Afterward, a semantic clustering module is
then introduced as a pipeline to transform PSMs to pixel-level semantic pseudo
masks for downstream tasks. We evaluated our method on two histological
datasets: MoNuSeg (cell segmentation) and BCData (multi-class cell detection).
Compared with other fully-supervised and weakly-supervised methods, our method
can achieve competitive performance without any manual annotations. Our simple
but effective framework can also achieve multi-class cell detection which can
not be done by existing unsupervised methods. The results show the potential of
PSMs that might inspire other research to deal with the hunger for labels in
medical area.
- Abstract（参考訳）: 細胞認識タスクにおける教師付きディープラーニングモデルの成功は、詳細なアノテーションに依存している。
以前の多くの作品は、ラベルへの依存を減らすことに成功している。
しかし、パッチに含まれる多数の細胞を考えると、高価で非効率なラベル付けは避けられない。
そこで我々は,ラベルのない細胞認識手法について検討した。
トレーニング対象として擬似マスクを生成するために, 事前自己活性化マップ(PSM)を提案する。
具体的には、アクティベーションネットワークを自己教師付き学習で訓練する。
ネットワークの浅い層内の勾配情報を集約し、事前の自己活性化マップを生成する。
その後、セマンティッククラスタリングモジュールがパイプラインとして導入され、PSMを下流タスク用のピクセルレベルのセマンティックマスクに変換する。
MoNuSeg(細胞セグメンテーション)とBCData(マルチクラス細胞検出)の2つの組織学的データセットを用いて本手法の評価を行った。
他の完全教師付き・弱教師付き手法と比較して,本手法は手動アノテーションを使わずに競争性能を達成できる。
当社のシンプルかつ効果的なフレームワークは、既存の教師なしメソッドでは実行できないマルチクラスセル検出も実現できます。
この結果は、医療分野のラベルの飢餓に対処するために他の研究を刺激するPSMの可能性を示している。
関連論文リスト
- UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳（メタデータ） (2024-02-20T11:50:27Z) - Adaptive Self-Training for Object Detection [13.07105239116411]
オブジェクト検出のための自己評価手法(ASTOD)を提案する。
ASTODはスコアヒストグラムの基底値に基づいて閾値を決定する。
擬似ラベル付けの段階では, ラベル付き画像の異なるビューを用いて, 誤り予測の回数を減らす。
論文 参考訳（メタデータ） (2022-12-07T15:10:40Z) - Unsupervised Dense Nuclei Detection and Segmentation with Prior
Self-activation Map For Histology Images [5.3882963853819845]
事前自己アクティベーションモジュール(PSM)を用いた自己教師型学習手法を提案する。
PSMは入力画像から自己活性化マップを生成し、ラベル付けコストを回避し、下流タスク用の擬似マスクを生成する。
他の完全教師付き・弱教師付き手法と比較して,本手法は手動アノテーションを使わずに競争性能を達成できる。
論文 参考訳（メタデータ） (2022-10-14T14:34:26Z) - Inferring the Class Conditional Response Map for Weakly Supervised
Semantic Segmentation [27.269847900950943]
そこで我々は,より優れた擬似ラベルを生成するために,クラス条件推論戦略とアクティベーション対応マスク精細化損失関数を提案する。
本手法は,分類器の再学習を必要とせず,優れたWSSS結果が得られる。
論文 参考訳（メタデータ） (2021-10-27T09:43:40Z) - Leveraging Auxiliary Tasks with Affinity Learning for Weakly Supervised
Semantic Segmentation [88.49669148290306]
そこで我々はAuxSegNetと呼ばれる弱教師付きマルチタスク・フレームワークを提案し,サリエンシ検出とマルチラベル画像分類を補助タスクとして活用する。
同様の構造的セマンティクスに着想を得て,サリエンシとセグメンテーションの表現から,クロスタスクなグローバル画素レベルの親和性マップを学習することを提案する。
学習されたクロスタスク親和性は、両方のタスクに対して改善された擬似ラベルを提供するために、唾液度予測を洗練し、CAMマップを伝播するために使用することができる。
論文 参考訳（メタデータ） (2021-07-25T11:39:58Z) - Cell Detection from Imperfect Annotation by Pseudo Label Selection Using
P-classification [9.080472817672264]
不完全な注釈付きデータからの細胞検出のための擬似ラベリング手法を提案する。
このようなラベル付きデータを用いてトレーニングされた検出畳み込みニューラルネットワーク(CNN)は、しばしば過剰検出を生成する。
5つの異なる条件における顕微鏡画像を用いた実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2021-07-20T07:08:05Z) - Refining Pseudo Labels with Clustering Consensus over Generations for
Unsupervised Object Re-identification [84.72303377833732]
教師なしのオブジェクト再識別は、アノテーションなしでオブジェクト検索のための識別表現を学習することを目的としている。
本稿では,クラスタリングコンセンサスを用いた連続学習世代間の擬似ラベル類似性を推定し,時間的に伝播およびアンサンブルされた擬似ラベルを用いた洗練された擬似ラベルを提案する。
提案する擬似ラベル精錬戦略は単純だが有効であり、既存のクラスタリングに基づく教師なし再同定手法にシームレスに統合することができる。
論文 参考訳（メタデータ） (2021-06-11T02:42:42Z) - A Closer Look at Self-training for Zero-Label Semantic Segmentation [53.4488444382874]
トレーニング中に見られないクラスをセグメント化できることは、ディープラーニングにおいて重要な技術的課題です。
事前のゼロラベルセマンティクスセグメンテーションは、ビジュアル・セマンティクスの埋め込みや生成モデルを学ぶことによってこのタスクにアプローチする。
本研究では,同一画像の異なる増分から生じる擬似ラベルの交点を取り出し,ノイズの多い擬似ラベルをフィルタリングする整合性正規化器を提案する。
論文 参考訳（メタデータ） (2021-04-21T14:34:33Z) - Grid Cell Path Integration For Movement-Based Visual Object Recognition [0.0]
我々は,任意の入力列が与えられたオブジェクトの信頼性認識を支援するために,格子セルをベースとした皮質ネットワークの経路統合をいかに行うかを示す。
我々のネットワーク(GridCellNet)は、グリッドセル計算を用いて視覚情報を統合し、動きに基づいて予測を行う。
論文 参考訳（メタデータ） (2021-02-17T23:52:57Z) - Weakly-Supervised Saliency Detection via Salient Object Subitizing [57.17613373230722]
我々は,クラス非依存であるため,弱い監督としてサリエンシー・サブイタライジングを導入する。
これにより、監視はサリエンシー検出の特性と整合することができます。
5つのベンチマークデータセットに対して広範な実験を行う。
論文 参考訳（メタデータ） (2021-01-04T12:51:45Z) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-21T13:27:09Z)
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。