論文の概要: Clean Label Disentangling for Medical Image Segmentation with Noisy Labels

• arxiv url: http://arxiv.org/abs/2311.16580v1
• Date: Tue, 28 Nov 2023 07:54:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-29 19:20:08.516015
• Title: Clean Label Disentangling for Medical Image Segmentation with Noisy Labels
• Title（参考訳）: ノイズラベルを用いた医用画像セグメンテーションのためのクリーンラベルアンテング
• Authors: Zicheng Wang, Zhen Zhao, Erjian Guo and Luping Zhou
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 25.180056839942345
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current methods focusing on medical image segmentation suffer from incorrect annotations, which is known as the noisy label issue. Most medical image segmentation with noisy labels methods utilize either noise transition matrix, noise-robust loss functions or pseudo-labeling methods, while none of the current research focuses on clean label disentanglement. We argue that the main reason is that the severe class-imbalanced issue will lead to the inaccuracy of the selected ``clean'' labels, thus influencing the robustness of the model against the noises. In this work, we come up with a simple but efficient class-balanced sampling strategy to tackle the class-imbalanced problem, which enables our newly proposed clean label disentangling framework to successfully select clean labels from the given label sets and encourages the model to learn from the correct annotations. However, such a method will filter out too many annotations which may also contain useful information. Therefore, we further extend our clean label disentangling framework to a new noisy feature-aided clean label disentangling framework, which takes the full annotations into utilization to learn more semantics. Extensive experiments have validated the effectiveness of our methods, where our methods achieve new state-of-the-art performance. Our code is available at https://github.com/xiaoyao3302/2BDenoise.
• Abstract（参考訳）: 医療画像のセグメンテーションに焦点を絞る現在の手法は、ノイズラベル問題として知られる不正確なアノテーションに苦しむ。 ノイズラベルを用いた医用画像セグメンテーションのほとんどはノイズ遷移行列、ノイズロバスト損失関数、擬似ラベル法のいずれかを使用しているが、現在の研究はクリーンラベルの絡み合いに焦点を当てていない。 主な理由は、厳格なクラス不均衡が選択された ``clean''' ラベルの不正確さを招き、ノイズに対するモデルの堅牢性に影響を与えるためである。 そこで本研究では,新たに提案するクリーンラベル分離フレームワークにより,与えられたラベル集合からクリーンラベルを選択的に選択し,適切なアノテーションからモデルに学習を促すための,単純かつ効率的なクラスバランスのサンプリング戦略を考案する。 しかし、そのようなメソッドは有用な情報を含むかもしれないアノテーションを多すぎるとフィルタリングする。 そこで我々は,クリーンラベル・ディエンタングフレームワークをさらに拡張し,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を構築した。 広範な実験により,本手法の有効性が検証され,新たな最先端性能が得られた。 私たちのコードはhttps://github.com/xiaoyao3302/2bdenoiseで利用可能です。

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)
• Learning to Segment from Noisy Annotations: A Spatial Correction Approach [12.604673584405385]
  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。
  論文  参考訳（メタデータ） (2023-07-21T00:27:40Z)
• BadLabel: A Robust Perspective on Evaluating and Enhancing Label-noise Learning [113.8799653759137]
  我々はBadLabelと呼ばれる新しいラベルノイズタイプを導入し、既存のLNLアルゴリズムの性能を大幅に劣化させることができる。 BadLabelは、標準分類に対するラベルフライング攻撃に基づいて開発されている。 そこで本稿では, 各エポックにおいてラベルを逆向きに摂動させ, クリーンかつノイズの多いラベルの損失値を再び識別可能にする頑健なLNL法を提案する。
  論文  参考訳（メタデータ） (2023-05-28T06:26:23Z)
• 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)
• Bootstrapping the Relationship Between Images and Their Clean and Noisy Labels [14.16958860081955]
  クリーンラベルとノイズラベルの関係を学習するために,簡単なモデルに基づく新しいトレーニングアルゴリズムを提案する。 この関係を学習することにより、非対称およびインスタンス依存のラベルノイズ問題において最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-10-17T08:15:55Z)
• Large Loss Matters in Weakly Supervised Multi-Label Classification [50.262533546999045]
  まず、観測されていないラベルを負のラベルとみなし、Wタスクをノイズの多いマルチラベル分類にキャストする。 ノイズラベルを記憶しないために,大規模な損失サンプルを拒絶または補正する新しいW法を提案する。 提案手法は, 弱教師付きマルチラベル分類において, 大きな損失を適切に処理することが重要であることを検証した。
  論文  参考訳（メタデータ） (2022-06-08T08:30:24Z)
• 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)
• Learning to Aggregate and Refine Noisy Labels for Visual Sentiment Analysis [69.48582264712854]
  本研究では,頑健な視覚的感情分析を行うための頑健な学習手法を提案する。 本手法は,トレーニング中にノイズラベルを集約・フィルタリングするために外部メモリに依存している。 公開データセットを用いたラベルノイズを用いた視覚的感情分析のベンチマークを構築した。
  論文  参考訳（メタデータ） (2021-09-15T18:18:28Z)
• Does label smoothing mitigate label noise? [57.76529645344897]
  ラベルの平滑化はラベルノイズ下での損失補正と競合することを示す。 ノイズの多いデータからモデルを蒸留する場合,教師のラベルの平滑化は有益であることを示す。
  論文  参考訳（メタデータ） (2020-03-05T18:43:17Z)

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。