論文の概要: Towards Novel Class Discovery: A Study in Novel Skin Lesions Clustering
- arxiv url: http://arxiv.org/abs/2309.16451v1
- Date: Thu, 28 Sep 2023 13:59:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-29 14:19:57.588901
- Title: Towards Novel Class Discovery: A Study in Novel Skin Lesions Clustering
- Title(参考訳): 新しいクラス発見に向けて:新しい皮膚病変クラスタリングに関する研究
- Authors: Wei Feng, Lie Ju, Lin Wang, Kaimin Song, Zongyuan Ge
- Abstract要約: 皮膚内視鏡画像データセットから新しい意味クラスを自動的に発見する新しいクラス発見フレームワークを提案する。
具体的には、まずコントラスト学習を用いて、既知のカテゴリと未知のカテゴリのすべてのデータに基づいて、頑健で偏りのない特徴表現を学習する。
皮膚科学データセットISIC 2019について広範な実験を行い,本手法が既知のカテゴリの知識を有効活用し,新たな意味カテゴリーを発見できることを実験的に示した。
- 参考スコア(独自算出の注目度): 22.24175320515204
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing deep learning models have achieved promising performance in
recognizing skin diseases from dermoscopic images. However, these models can
only recognize samples from predefined categories, when they are deployed in
the clinic, data from new unknown categories are constantly emerging.
Therefore, it is crucial to automatically discover and identify new semantic
categories from new data. In this paper, we propose a new novel class discovery
framework for automatically discovering new semantic classes from dermoscopy
image datasets based on the knowledge of known classes. Specifically, we first
use contrastive learning to learn a robust and unbiased feature representation
based on all data from known and unknown categories. We then propose an
uncertainty-aware multi-view cross pseudo-supervision strategy, which is
trained jointly on all categories of data using pseudo labels generated by a
self-labeling strategy. Finally, we further refine the pseudo label by
aggregating neighborhood information through local sample similarity to improve
the clustering performance of the model for unknown categories. We conducted
extensive experiments on the dermatology dataset ISIC 2019, and the
experimental results show that our approach can effectively leverage knowledge
from known categories to discover new semantic categories. We also further
validated the effectiveness of the different modules through extensive ablation
experiments. Our code will be released soon.
- Abstract(参考訳): 既存の深層学習モデルは皮膚画像から皮膚疾患を認識する上で有望な性能を達成した。
しかし、これらのモデルは事前に定義されたカテゴリのサンプルのみを認識でき、クリニックにデプロイされると、新しい未知のカテゴリからのデータが常に現れている。
したがって、新しいデータから新しい意味カテゴリーを自動的に発見し、識別することが重要である。
本稿では,既知のクラス知識に基づいてdermoscopy画像データセットから新しい意味クラスを自動的に発見する新しいクラス発見フレームワークを提案する。
具体的には、まずコントラスト学習を用いて、既知のカテゴリと未知のカテゴリの全データに基づいて、頑健で偏りのない特徴表現を学習する。
次に,不確実性を考慮した多視点クロス仮想スーパービジョン戦略を提案し,自己ラベル戦略によって生成された疑似ラベルを用いて,全データカテゴリを共同で学習する。
最後に,局所的なサンプル類似性を通じて周辺情報を集約することで,疑似ラベルをさらに洗練し,未知のカテゴリに対するモデルのクラスタリング性能を向上させる。
皮膚科学データセットISIC 2019について広範な実験を行い,本手法が既知のカテゴリからの知識を有効活用し,新たな意味カテゴリーを発見できることを実験的に示した。
また,広範囲なアブレーション実験により,異なるモジュールの有効性を検証した。
私たちのコードはまもなくリリースされます。
関連論文リスト
- Contextuality Helps Representation Learning for Generalized Category Discovery [5.885208652383516]
本稿では、文脈性の概念を活用することにより、一般化カテゴリー発見(GCD)への新たなアプローチを提案する。
我々のモデルでは,コントラスト学習に最も近いコンテキストが使用されるインスタンスレベルと,コントラスト学習を利用するクラスタレベルという,2つのコンテキストレベルを統合している。
文脈情報の統合は、特徴学習を効果的に改善し、その結果、すべてのカテゴリの分類精度が向上する。
論文 参考訳(メタデータ) (2024-07-29T07:30:41Z) - 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) - Dynamic Conceptional Contrastive Learning for Generalized Category
Discovery [76.82327473338734]
Generalized category discovery (GCD) は、部分的にラベル付けされたデータを自動でクラスタリングすることを目的としている。
ラベル付きデータには、ラベル付きデータの既知のカテゴリだけでなく、新しいカテゴリのインスタンスも含まれている。
GCDの効果的な方法の1つは、ラベルなしデータの識別表現を学習するために自己教師付き学習を適用することである。
本稿では,クラスタリングの精度を効果的に向上する動的概念コントラスト学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-30T14:04:39Z) - XCon: Learning with Experts for Fine-grained Category Discovery [4.787507865427207]
本稿では,XCon(Expert-Contrastive Learning)と呼ばれる新しい手法を提案する。
細粒度データセットを用いた実験では,従来の最適手法よりも明らかに改善された性能を示し,本手法の有効性を示した。
論文 参考訳(メタデータ) (2022-08-03T08:03:12Z) - Novel Class Discovery without Forgetting [72.52222295216062]
我々は NCDwF: Novel Class Discovery without Forgetting の新たな実用的問題設定を特定し,定式化する。
ラベルのないデータから新しいカテゴリのインスタンスを段階的に発見する機械学習モデルを提案する。
CIFAR-10, CIFAR-100, ImageNet-1000に基づく実験プロトコルを導入し, 知識保持と新しいクラス発見のトレードオフを測定する。
論文 参考訳(メタデータ) (2022-07-21T17:54:36Z) - Class-incremental Novel Class Discovery [76.35226130521758]
クラス増進型新規クラス発見(class-iNCD)の課題について検討する。
基本クラスに関する過去の情報を忘れないようにする,クラスiNCDのための新しい手法を提案する。
3つの共通ベンチマークで実施した実験により,本手法が最先端の手法を著しく上回ることを示した。
論文 参考訳(メタデータ) (2022-07-18T13:49:27Z) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳(メタデータ) (2022-04-12T12:25:05Z) - Novel Class Discovery in Semantic Segmentation [104.30729847367104]
セマンティックにおける新しいクラス発見(NCDSS)について紹介する。
ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。
NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。
本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
論文 参考訳(メタデータ) (2021-12-03T13:31:59Z)
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。