Fugu-MT 論文翻訳(概要): Two Tricks to Improve Unsupervised Segmentation Learning

論文の概要: Two Tricks to Improve Unsupervised Segmentation Learning

arxiv url: http://arxiv.org/abs/2404.03392v2
Date: Mon, 8 Apr 2024 21:26:47 GMT
ステータス: 処理完了
システム内更新日: 2024-04-10 11:30:54.481237
Title: Two Tricks to Improve Unsupervised Segmentation Learning
Title（参考訳）: 教師なしセグメンテーション学習を改善するための2つの試み
Authors: Alp Eren Sari, Francesco Locatello, Paolo Favaro,
Abstract要約: 教師なしセグメンテーション学習のための2つの実践的改善手法を提案する。まず、誘導フィルタリングなどの画像後処理技術を利用して出力マスクを洗練する。第2に,教師-学生養成方式に基づくマルチスケールの一貫性基準を導入する。
参考スコア（独自算出の注目度）: 37.63303434543399
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present two practical improvement techniques for unsupervised segmentation learning. These techniques address limitations in the resolution and accuracy of predicted segmentation maps of recent state-of-the-art methods. Firstly, we leverage image post-processing techniques such as guided filtering to refine the output masks, improving accuracy while avoiding substantial computational costs. Secondly, we introduce a multi-scale consistency criterion, based on a teacher-student training scheme. This criterion matches segmentation masks predicted from regions of the input image extracted at different resolutions to each other. Experimental results on several benchmarks used in unsupervised segmentation learning demonstrate the effectiveness of our proposed techniques.
Abstract（参考訳）: 教師なしセグメンテーション学習のための2つの実践的改善手法を提案する。これらの技術は、最新の最先端手法の予測セグメンテーションマップの解像度と精度の限界に対処する。まず、ガイドフィルタなどの画像後処理技術を利用して出力マスクを洗練し、計算コストを大幅に削減しつつ精度を向上する。第2に,教師学生の学習計画に基づく複数スケールの一貫性基準を導入する。この基準は、異なる解像度で抽出された入力画像の領域から予測されるセグメンテーションマスクと異なる解像度で一致する。教師なしセグメンテーション学習におけるいくつかのベンチマーク実験の結果,提案手法の有効性が示された。

関連論文リスト

DiverseNet: Decision Diversified Semi-supervised Semantic Segmentation Networks for Remote Sensing Imagery [17.690698736544626]
トレーニング中の精度と多様性を同時に向上し,マルチヘッド・マルチモデル半教師付き学習アルゴリズムを探索するDiverseNetを提案する。 DiverseNetファミリーで提案されている2つの手法、すなわちDiverseHeadとDiverseModelは、広く利用されている4つのリモートセンシング画像データセットにおいて、セマンティックセマンティックセマンティクスの性能を向上させる。
論文参考訳（メタデータ） (2023-11-22T22:20:10Z)
Leveraging Uncertainty for Deep Interpretable Classification and Weakly-Supervised Segmentation of Histology Images [25.429124017422385]
深い教師付き手法は、解釈可能性のための画像分類とROIセグメンテーションを可能にする。これらの手法は、偽陽性率を高める非識別領域を明示的にモデル化するメカニズムを欠いている。本研究では,非識別領域と識別領域の両方を求める新しい正規化項を提案する。
論文参考訳（メタデータ） (2022-05-12T02:18:23Z)
Boundary-aware Information Maximization for Self-supervised Medical Image Segmentation [13.828282295918628]
コントラスト学習の欠点を回避するための,教師なし事前学習フレームワークを提案する。 2つのベンチマーク医用セグメンテーションデータセットによる実験結果から,アノテート画像が少ない場合の有効性が明らかになった。
論文参考訳（メタデータ） (2022-02-04T20:18:00Z)
DeepfakeUCL: Deepfake Detection via Unsupervised Contrastive Learning [20.94569893388119]
教師なしコントラスト学習による新しいディープフェイク検出手法を設計する。本手法は最先端の教師技術に匹敵する検出性能を示す。
論文参考訳（メタデータ） (2021-04-23T09:48:10Z)
Exposing Semantic Segmentation Failures via Maximum Discrepancy Competition [102.75463782627791]
オープンビジュアルの世界において,既存の意味セグメンテーション手法の失敗を露呈することで,質問に答える。モデル改ざんに関するこれまでの研究に触発され、任意に大きい画像セットから始まり、2つのセグメンテーション方法間の差分法(MAD)をMAximizingすることによって、小さな画像セットを自動的にサンプリングします。選択された画像は、2つの方法のいずれか(または両方)を偽造する最大の可能性を持っている。また,MADコンペティションにおいて,障害の露呈が困難であるセグメンテーション法について検討した。
論文参考訳（メタデータ） (2021-02-27T16:06:25Z)
Contrastive Rendering for Ultrasound Image Segmentation [59.23915581079123]
米国の画像にシャープな境界がないことは、セグメンテーションに固有の課題である。我々は,US画像における境界推定を改善するための,新しい,効果的なフレームワークを提案する。提案手法は最先端の手法より優れており,臨床応用の可能性も高い。
論文参考訳（メタデータ） (2020-10-10T07:14:03Z)
Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文参考訳（メタデータ） (2020-07-21T13:27:09Z)
Unsupervised Learning of Visual Features by Contrasting Cluster Assignments [57.33699905852397]
ペア比較の計算を必要とせず,コントラスト的手法を生かしたオンラインアルゴリズムSwaVを提案する。本手法では,クラスタ割り当て間の一貫性を保ちながら,同時にデータをクラスタ化する。我々の方法は大規模で小さなバッチで訓練でき、無制限のデータにスケールできる。
論文参考訳（メタデータ） (2020-06-17T14:00:42Z)
MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
論文参考訳（メタデータ） (2020-05-15T10:37:02Z)
Attentive Semantic Exploring for Manipulated Face Detection [12.635690519021555]
識別的欠陥や歪みがこれらのフラグメントと密接に関連していることから,画像のセグメンテーションを意味的フラグメントに分割することが有効である可能性が示唆された。本稿では,多レベル顔意味とカスケード注意機構に基づく顔検出手法を提案する。
論文参考訳（メタデータ） (2020-05-06T17:08:56Z)

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。