論文の概要: MonoBox: Tightness-free Box-supervised Polyp Segmentation using Monotonicity Constraint
- arxiv url: http://arxiv.org/abs/2404.01188v3
- Date: Fri, 21 Jun 2024 03:04:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-24 19:26:42.900879
- Title: MonoBox: Tightness-free Box-supervised Polyp Segmentation using Monotonicity Constraint
- Title（参考訳）: MonoBox:Monotonicity Constraintを用いた軽量なボックス管理ポリープセグメンテーション
- Authors: Qiang Hu, Zhenyu Yi, Ying Zhou, Ting Li, Fan Huang, Mei Liu, Qiang Li, Zhiwei Wang,
- Abstract要約: 単調性に制約されたボックス教師付きセグメンテーション手法であるMonoBoxを提案する。
MonoBoxは、ユーザフレンドリーでないボックステトネス仮定からトレーニングを解放する。
パブリックシンセサイザーと社内のリアルノイズデータセットの実験は、MonoBoxが他のアンチ・ノイズ・オブ・ザ・アーティファクトを上回っていることを示している。
- 参考スコア（独自算出の注目度）: 22.968472794154057
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose MonoBox, an innovative box-supervised segmentation method constrained by monotonicity to liberate its training from the user-unfriendly box-tightness assumption. In contrast to conventional box-supervised segmentation, where the box edges must precisely touch the target boundaries, MonoBox leverages imprecisely-annotated boxes to achieve robust pixel-wise segmentation. The 'linchpin' is that, within the noisy zones around box edges, MonoBox discards the traditional misguiding multiple-instance learning loss, and instead optimizes a carefully-designed objective, termed monotonicity constraint. Along directions transitioning from the foreground to background, this new constraint steers responses to adhere to a trend of monotonically decreasing values. Consequently, the originally unreliable learning within the noisy zones is transformed into a correct and effective monotonicity optimization. Moreover, an adaptive label correction is introduced, enabling MonoBox to enhance the tightness of box annotations using predicted masks from the previous epoch and dynamically shrink the noisy zones as training progresses. We verify MonoBox in the box-supervised segmentation task of polyps, where satisfying box-tightness is challenging due to the vague boundaries between the polyp and normal tissues. Experiments on both public synthetic and in-house real noisy datasets demonstrate that MonoBox exceeds other anti-noise state-of-the-arts by improving Dice by at least 5.5% and 3.3%, respectively. Codes are at https://github.com/Huster-Hq/MonoBox.
- Abstract（参考訳）: 単調性に制約された革新的なボックス教師付きセグメンテーション手法であるMonoBoxを提案し,そのトレーニングをユーザフレンドリーでないボックスタイトネスの仮定から解放する。
ボックスエッジが正確にターゲット境界に触れなければならない従来のボックス管理セグメンテーションとは対照的に、MonoBoxは不正確なアノテートボックスを活用して、堅牢なピクセルワイドセグメンテーションを実現する。
この'linchpin'は、ボックスエッジ周辺のノイズの多いゾーンにおいて、MonoBoxは従来のミスガイドによるマルチインスタンス学習損失を捨て、代わりに慎重に設計されたモノトニック性制約と呼ばれる目的を最適化する、というものだ。
前景から背景へと遷移する方向に沿って、この新しい制約は、単調に減少する値の傾向に固執するように応答する。
したがって、ノイズゾーン内の元の信頼性の低い学習は、正しい、効果的な単調性最適化に変換される。
さらに、適応ラベル補正を導入し、MonoBoxは、以前のエポックから予測されたマスクを使用してボックスアノテーションの厳密性を向上し、トレーニングが進むにつれてノイズゾーンを動的に縮小する。
本研究は, ポリープと正常組織の境界が曖昧であるため, ボックスの密閉度を満たすことが困難であるポリープのボックス管理セグメンテーションタスクにおけるMonoBoxの検証である。
公開合成および社内実雑音データセットの実験では、MonoBoxはDiceを少なくとも5.5%改善し、3.3%改善することで、他のアンチ・ノイズ・オブ・ザ・アーティファクトを上回っている。
コードはhttps://github.com/Huster-Hq/MonoBoxにある。
関連論文リスト
- IBoxCLA: Towards Robust Box-supervised Segmentation of Polyp via Improved Box-dice and Contrastive Latent-anchors [15.655513951997456]
Inproved Box-dice (IBox) とContrastive Latent-Anchors (CLA) は、頑健なボックス管理モデルであるIBoxCLAを訓練するために提案されている。
IBoxは、セグメントマップをシェープデカップリングと混乱領域スワップを使用してプロキシマップに変換する。
CLAは2種類の潜伏アンカーを生成して形状学習に寄与する。
論文 参考訳（メタデータ） (2023-10-11T07:25:50Z) - BoxSnake: Polygonal Instance Segmentation with Box Supervision [34.487089567665556]
ボックスアノテーションのみを用いた効率的な多角形インスタンスセグメンテーションを実現するために,BoxSnakeと呼ばれる新しいエンドツーエンドトレーニング手法を提案する。
BoxSnakeはマスクベースの弱教師付き手法と比較して、予測セグメンテーションとバウンディングボックスの間のパフォーマンスギャップをさらに減らし、Cityscapesデータセットに顕著な優位性を示す。
論文 参考訳（メタデータ） (2023-03-21T06:54:18Z) - Weakly Supervised Image Segmentation Beyond Tight Bounding Box
Annotations [5.000514512377416]
本研究では,ゆるい拘束箱を監督として使用する場合,セグメンテーション性能を良好に維持できるかどうかを検討する。
提案した極変換に基づくMIL定式化は、タイトかつゆるいバウンディングボックスの両方で機能する。
その結果, 提案手法は, 任意の精度でバウンディングボックスの最先端性能を達成できることが示唆された。
論文 参考訳（メタデータ） (2023-01-28T02:11:36Z) - BoxPolyp:Boost Generalized Polyp Segmentation Using Extra Coarse
Bounding Box Annotations [79.17754846553866]
我々は、正確なマスクと余分な粗いボックスアノテーションをフル活用するための強化されたBoxPolypモデルを提案する。
実際には、従来のポリプセグメンテーションモデルの過度に適合する問題を緩和するためにボックスアノテーションが適用される。
提案手法は従来の最先端手法よりも大きなマージンで優れていた。
論文 参考訳（メタデータ） (2022-12-07T07:45:50Z) - BoxShrink: From Bounding Boxes to Segmentation Masks [9.886330528157645]
そこで我々は,BoxShrinkと呼ばれる機械学習モデルをトレーニングすることなく,境界ボックスをセグメント化マスクに高速かつ堅牢に変換する,弱教師付きタスクのための新しいフレームワークを提案する。
大腸内視鏡画像データセットの入力としてバウンディングボックスアノテーションのみを使用するのに対し、IoUの平均4%の改善は、弱教師付き環境でBoxShrinkを使用してトレーニングされた際のいくつかのモデルで見られる。
論文 参考訳（メタデータ） (2022-08-05T13:07:51Z) - Box2Mask: Weakly Supervised 3D Semantic Instance Segmentation Using
Bounding Boxes [38.60444957213202]
弱教師付き3Dセマンティックインスタンスセグメンテーションについて検討する。
キーとなるアイデアは、3Dバウンディングボックスラベルを活用することだ。
境界ボックスラベルのみを用いて高密度セグメンテーションモデルを訓練することが可能であることを示す。
論文 参考訳（メタデータ） (2022-06-02T17:59:57Z) - Box-Adapt: Domain-Adaptive Medical Image Segmentation using Bounding
BoxSupervision [52.45336255472669]
深層学習のための弱教師付きドメイン適応設定を提案する。
Box-Adaptは、ソースドメインのきめ細かいセグナオンマスクとターゲットドメインの弱いバウンディングボックスを完全に探索する。
肝セグメンテーションにおける本手法の有効性を実証する。
論文 参考訳（メタデータ） (2021-08-19T01:51:04Z) - A study of latent monotonic attention variants [65.73442960456013]
エンドツーエンドモデルは音声認識の最先端性能に達するが、グローバルソフトな注意は単調ではない。
本稿では,新しい潜在変数を導入することで,単調性を導入する数学的にクリーンな解を提案する。
モノトニックモデルがグローバルソフトアテンションモデルと同等の性能を発揮することを示す。
論文 参考訳（メタデータ） (2021-03-30T22:35:56Z) - Generating Masks from Boxes by Mining Spatio-Temporal Consistencies in
Videos [159.02703673838639]
フレーム毎のバウンディングボックスアノテーションからセグメンテーションマスクを生成する手法を動画で紹介します。
得られた正確なマスクを用いて、ビデオオブジェクトセグメンテーション(VOS)ネットワークの弱い教師付きトレーニングを行う。
追加データは、VOSとより困難なトラッキングドメインの両方で最先端の結果をもたらす大幅に優れた一般化パフォーマンスを提供します。
論文 参考訳（メタデータ） (2021-01-06T18:56:24Z) - Dive Deeper Into Box for Object Detection [49.923586776690115]
そこで我々は,より正確な位置決めを行うために,ボックスに深く潜り込むことができるボックス再構成手法(DDBNet)を提案する。
実験結果から,本手法はオブジェクト検出の最先端性能に寄与する可能性が示唆された。
論文 参考訳（メタデータ） (2020-07-15T07:49:05Z) - Projection & Probability-Driven Black-Box Attack [205.9923346080908]
既存のブラックボックス攻撃は、高次元空間における過剰なクエリを必要とする。
本稿では,この問題を解決するために,プロジェクション&確率駆動型ブラックボックス攻撃(PPBA)を提案する。
我々の手法は、最先端の手法に比べて攻撃成功率の高いクエリを少なくとも24%削減する必要がある。
論文 参考訳（メタデータ） (2020-05-08T03:37:50Z)
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。