論文の概要: Leveraging point annotations in segmentation learning with boundary loss
- arxiv url: http://arxiv.org/abs/2311.03537v1
- Date: Mon, 6 Nov 2023 21:18:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-08 17:55:06.751747
- Title: Leveraging point annotations in segmentation learning with boundary loss
- Title（参考訳）: 境界損失を伴うセグメンテーション学習における点アノテーションの活用
- Authors: Eva Breznik, Hoel Kervadec, Filip Malmberg, Joel Kullberg, H{\aa}kan
Ahlstr\"om, Marleen de Bruijne, Robin Strand
- Abstract要約: 本稿では,点教師ありセマンティックセグメンテーションのための強度ベース距離マップと境界損失の組み合わせについて検討する。
設計により、境界損失は、それらが生じる対象から遠く離れた偽陽性に対してより強いペナルティを課す。
ACDC(ハートセグメンテーション)とPOEM(全身腹部臓器セグメンテーション)の2種類のマルチクラスデータセットの実験を行った。
- 参考スコア（独自算出の注目度）: 2.7874893928375917
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper investigates the combination of intensity-based distance maps with
boundary loss for point-supervised semantic segmentation. By design the
boundary loss imposes a stronger penalty on the false positives the farther
away from the object they occur. Hence it is intuitively inappropriate for weak
supervision, where the ground truth label may be much smaller than the actual
object and a certain amount of false positives (w.r.t. the weak ground truth)
is actually desirable. Using intensity-aware distances instead may alleviate
this drawback, allowing for a certain amount of false positives without a
significant increase to the training loss. The motivation for applying the
boundary loss directly under weak supervision lies in its great success for
fully supervised segmentation tasks, but also in not requiring extra priors or
outside information that is usually required -- in some form -- with existing
weakly supervised methods in the literature. This formulation also remains
potentially more attractive than existing CRF-based regularizers, due to its
simplicity and computational efficiency. We perform experiments on two
multi-class datasets; ACDC (heart segmentation) and POEM (whole-body abdominal
organ segmentation). Preliminary results are encouraging and show that this
supervision strategy has great potential. On ACDC it outperforms the CRF-loss
based approach, and on POEM data it performs on par with it. The code for all
our experiments is openly available.
- Abstract（参考訳）: 本稿では,点教師ありセマンティックセグメンテーションのための強度ベース距離マップと境界損失の組み合わせについて検討する。
設計により、境界損失は、それらが生じる対象から遠く離れた偽陽性に対してより強いペナルティを課す。
したがって、弱監督には直感的に不適切であり、そこでは基底の真理ラベルは実際の対象よりもはるかに小さくなり、ある量の偽陽性(例えば弱い基底の真理)が実際には望ましい。
強度認識距離を使用することで、この欠点を軽減し、トレーニング損失を大幅に増加させることなく、一定の量の偽陽性を発生させることができる。
境界損失を弱い監督の下で直接適用する動機は、完全に監督されたセグメンテーションタスクにおいて大きな成功を収めるだけでなく、文献に既存の弱い監督された手法で通常必要とされる追加の事前情報や外部情報を必要としないことである。
この定式化は、その単純さと計算効率のため、既存のCRFベースの正規化器よりも魅力的である。
ACDC (heart segmentation) と POEM (who-body abdominal organ segmentation) の2種類のマルチクラスデータセットで実験を行った。
予備的な結果が奨励され、この監督戦略が大きな可能性を秘めていることを示している。
ACDCでは、CRF-lossベースのアプローチよりも優れており、POEMデータではそれと同等に動作する。
すべての実験のコードは公開されています。
関連論文リスト
- SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。
本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
論文 参考訳（メタデータ） (2024-07-23T20:34:23Z) - Weakly Supervised Semantic Segmentation for Large-Scale Point Cloud [69.36717778451667]
大規模なポイントクラウドセマンティックセグメンテーションのための既存の方法は、高価な、退屈でエラーを起こしやすい手動のポイントワイドアノテーションを必要とする。
この問題を解決するために,2つのコンポーネントを含む効果的な弱教師付き手法を提案する。
実験結果から,既存の弱教師付き手法と完全教師付き手法を比較検討した。
論文 参考訳（メタデータ） (2022-12-09T09:42:26Z) - Domain Adaptive Segmentation of Electron Microscopy with Sparse Point
Annotations [2.5137859989323537]
競争性能に優れたアノテーション効率のアプローチを開発する。
弱教師付きドメイン適応(WDA)に極端にスパースで弱いアノテーションのタイプで焦点を当てる。
15%のポイントアノテーションしか持たないモデルでは、教師付きモデルと同等のパフォーマンスが得られることを示す。
論文 参考訳（メタデータ） (2022-10-24T10:50:37Z) - Positive-Negative Equal Contrastive Loss for Semantic Segmentation [8.664491798389662]
従来の作業では、グローバルコンテキストを効果的に抽出し集約するために、プラグアンドプレイモジュールと構造的損失を設計するのが一般的だった。
そこで我々は, 正負の負の正の負の負の正の負の正の負の正の負の負の負の正の負の負の正の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の
総合的な実験を行い、2つのベンチマークデータセット上で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-07-04T13:51:29Z) - Flip Learning: Erase to Segment [65.84901344260277]
弱い教師付きセグメンテーション(WSS)は、時間と面倒な手作業のアノテーションを減らすのに役立ちます。
ボックスアノテーションのみを必要とするFlip Learningという,斬新で汎用的なWSSフレームワークを提案する。
提案手法は,完全教師付き学習と弱教師付き学習のギャップを狭める大きな可能性を示す。
論文 参考訳（メタデータ） (2021-08-02T09:56:10Z) - Stateless actor-critic for instance segmentation with high-level priors [3.752550648610726]
インスタンスセグメンテーションはコンピュータビジョンの重要な問題であり、深層学習に基づく手法によって依然として困難である。
本稿では, グラフ分割問題としてインスタンス分割問題を定式化し, アクタ評論家は, 対象形状, 位置, 大きさの高レベル先行に対するセグメント化されたインスタンスの適合性に基づいて, 報酬によって引き起こされるエッジウェイトを予測した。
おもちゃと実際のデータセットの実験では、豊富な事前セットのみに基づいて直接監督することなく、優れたパフォーマンスを達成できることが示されています。
論文 参考訳（メタデータ） (2021-07-06T13:20:14Z) - WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。
エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。
提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
論文 参考訳（メタデータ） (2021-05-21T11:58:50Z) - Lower-bounded proper losses for weakly supervised classification [73.974163801142]
本稿では,弱いラベルが与えられた分類の弱い教師付き学習の問題について議論する。
サベージ表現を双対化する教師付き学習における適切な損失を表す表現定理を導出する。
提案手法の有効性を,不適切な損失や非有界損失と比較して実験的に実証した。
論文 参考訳（メタデータ） (2021-03-04T08:47:07Z) - Towards A Category-extended Object Detector without Relabeling or
Conflicts [40.714221493482974]
本稿では,手作業を必要とせずに,限られたデータセットに基づいてすべてのカテゴリを処理可能な,強力な統一型検出器の傾きを目標とする。
提案手法は, 基礎モデルの改善, 未ラベルの地中埋立処分戦略の改善, 疑似アノテーションによる再訓練手法の3つの側面に着目した実践的枠組みを提案する。
論文 参考訳（メタデータ） (2020-12-28T06:44:53Z) - Find it if You Can: End-to-End Adversarial Erasing for Weakly-Supervised
Semantic Segmentation [6.326017213490535]
本稿では,注目マップの逆消去の新たな定式化を提案する。
提案手法はサリエンシマスクを必要とせず, 注意マップの識別対象領域への拡散を防止するために, 正規化損失を用いる。
パスカルVOCデータセットを用いた実験により, 従来と比べ2.1mIoU, 1.0mIoUのセグメンテーション性能が向上することが示された。
論文 参考訳（メタデータ） (2020-11-09T18:35:35Z) - Towards Using Count-level Weak Supervision for Crowd Counting [55.58468947486247]
本稿では,少数の位置レベルのアノテーション(十分に教師された)と大量のカウントレベルのアノテーション(弱教師付き)からモデルを学習する,弱教師付き群集カウントの問題について検討する。
我々は、生成した密度マップの自由を制限するための正規化を構築するために、単純なyet効果のトレーニング戦略、すなわちMultiple Auxiliary Tasks Training (MATT)を考案した。
論文 参考訳（メタデータ） (2020-02-29T02:58:36Z)
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。