論文の概要: Self-supervised Learning of Dense Hierarchical Representations for
Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2401.06473v1
- Date: Fri, 12 Jan 2024 09:47:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 19:58:30.607413
- Title: Self-supervised Learning of Dense Hierarchical Representations for
Medical Image Segmentation
- Title(参考訳): 医用画像分割のための密集階層表現の自己教師あり学習
- Authors: Eytan Kats, Jochen G. Hirsch, Mattias P. Heinrich
- Abstract要約: 本稿では,高密度下流タスクに適したボクセルワイド粗い表現を学習するための自己教師型フレームワークについて述べる。
我々は、複数のスケールから機能のコントリビューションのバランスをとるためのトレーニング戦略を考案し、学習された表現が粗い詳細ときめ細かい詳細の両方を捉えることを保証する。
- 参考スコア(独自算出の注目度): 2.5023672112974924
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: This paper demonstrates a self-supervised framework for learning voxel-wise
coarse-to-fine representations tailored for dense downstream tasks. Our
approach stems from the observation that existing methods for hierarchical
representation learning tend to prioritize global features over local features
due to inherent architectural bias. To address this challenge, we devise a
training strategy that balances the contributions of features from multiple
scales, ensuring that the learned representations capture both coarse and
fine-grained details. Our strategy incorporates 3-fold improvements: (1) local
data augmentations, (2) a hierarchically balanced architecture, and (3) a
hybrid contrastive-restorative loss function. We evaluate our method on CT and
MRI data and demonstrate that our new approach particularly beneficial for
fine-tuning with limited annotated data and consistently outperforms the
baseline counterpart in linear evaluation settings.
- Abstract(参考訳): 本稿では,高密度下流タスクに適したボクセルワイド粗い表現を学習するための自己教師型フレームワークを提案する。
我々のアプローチは、階層的表現学習の既存の手法は、固有のアーキテクチャバイアスにより、局所的な特徴よりもグローバルな特徴を優先する傾向にある、という観察に由来する。
この課題に対処するために、複数のスケールからの機能のコントリビューションのバランスをとるトレーニング戦略を考案し、学習された表現が粗い詳細ときめ細かい詳細の両方を捉えることを保証する。
当社の戦略は,(1)局所的なデータ拡張,(2)階層的にバランスの取れたアーキテクチャ,(3)ハイブリッドなコントラスト型損失関数の3つの改良を含む。
我々はCTおよびMRIデータに対する本手法の評価を行い,本手法が限られた注釈付きデータを用いた微調整に特に有用であることを示す。
関連論文リスト
- Class Anchor Margin Loss for Content-Based Image Retrieval [97.81742911657497]
距離学習パラダイムに該当する新しいレペラ・トラクタ損失を提案するが、ペアを生成する必要がなく、直接L2メトリックに最適化する。
CBIRタスクにおいて,畳み込みアーキテクチャと変圧器アーキテクチャの両方を用いて,少数ショットおよびフルセットトレーニングの文脈で提案した目的を評価する。
論文 参考訳(メタデータ) (2023-06-01T12:53:10Z) - Repurposing Knowledge Graph Embeddings for Triple Representation via
Weak Supervision [77.34726150561087]
現在の方法では、事前訓練されたモデルからの実体と述語埋め込みを使わずに、スクラッチから三重埋め込みを学習する。
本研究では,知識グラフからトリプルを自動抽出し,事前学習した埋め込みモデルからそれらのペアの類似性を推定する手法を開発した。
これらのペアの類似度スコアは、細い三重表現のためにシームズ様のニューラルネットワークに供給される。
論文 参考訳(メタデータ) (2022-08-22T14:07:08Z) - Modularity Optimization as a Training Criterion for Graph Neural
Networks [2.903711704663904]
グラフ畳み込みモデルにおけるネットワークのコミュニティ構造保存目的を組み込んだ学習表現の質に及ぼす効果について検討する。
2つの属性付きビビログラフィーネットワークの実験的評価により、コミュニティ保存目的の組み入れにより、スパースラベル方式における半教師付きノード分類精度が向上することが示された。
論文 参考訳(メタデータ) (2022-06-30T21:32:33Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳(メタデータ) (2022-06-06T14:26:34Z) - Imposing Consistency for Optical Flow Estimation [73.53204596544472]
プロキシタスクによる一貫性の導入は、データ駆動学習を強化することが示されている。
本稿では,光フロー推定のための新しい,効果的な整合性戦略を提案する。
論文 参考訳(メタデータ) (2022-04-14T22:58:30Z) - Clustering by Maximizing Mutual Information Across Views [62.21716612888669]
本稿では,共同表現学習とクラスタリングを組み合わせた画像クラスタリングのための新しいフレームワークを提案する。
提案手法は,様々な画像データセットにおける最先端の単一ステージクラスタリング手法よりも優れていた。
論文 参考訳(メタデータ) (2021-07-24T15:36:49Z) - Temporal graph-based approach for behavioural entity classification [0.0]
本研究では,サイバーセキュリティ領域におけるグラフ構造の可能性を利用するための2段階的アプローチを提案する。
主なアイデアは、ネットワーク分類問題をグラフベースの振る舞い問題に変換することです。
正常実体と攻撃実体の両方の進化を表すことができるこれらのグラフ構造を抽出します。
3つのクラスタリング手法が通常のエンティティに適用され、類似の動作を集約し、不均衡問題を緩和し、ノイズデータを削減する。
論文 参考訳(メタデータ) (2021-05-11T06:13:58Z) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳(メタデータ) (2021-03-17T08:28:30Z) - Hierarchical Domain-Adapted Feature Learning for Video Saliency
Prediction [15.270499225813841]
本稿では,ビデオ・サリエンシ予測のための3次元完全畳み込みアーキテクチャを提案する。
ドメイン適応とドメイン固有学習の2つの手法を用いて,基本階層学習機構を提供する。
実験の結果,提案モデルにより,教師付きサリエンシ予測における最先端の精度が得られた。
論文 参考訳(メタデータ) (2020-10-02T23:00:00Z) - Semantically-Guided Representation Learning for Self-Supervised
Monocular Depth [40.49380547487908]
本稿では,自己教師付き表現学習を指導するために,事前訓練型セマンティックセマンティック・セマンティクス・ネットワークを利用した新しいアーキテクチャを提案する。
本手法は,全画素,細粒度細部,意味カテゴリーごとの自己教師型単眼深度予測のための技術の現状を改善した。
論文 参考訳(メタデータ) (2020-02-27T18:40:10Z) - Progressive Learning and Disentanglement of Hierarchical Representations [10.201945347770643]
本稿では,ハイレベルから低レベルの抽象化から,独立した階層表現を段階的に学習する戦略を提案する。
提案したモデルが既存の作品と比較して歪みを改善する能力について定量的に示す。
論文 参考訳(メタデータ) (2020-02-24T21:19:38Z)
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。