論文の概要: Class-balanced Open-set Semi-supervised Object Detection for Medical Images

• arxiv url: http://arxiv.org/abs/2408.12355v1
• Date: Thu, 22 Aug 2024 12:54:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-23 14:03:43.018037
• Title: Class-balanced Open-set Semi-supervised Object Detection for Medical Images
• Title（参考訳）: 医用画像のためのクラスバランスなオープンセット半教師対象検出
• Authors: Zhanyun Lu, Renshu Gu, Huimin Cheng, Siyu Pang, Mingyu Xu, Peifang Xu, Yaqi Wang, Yuichiro Kinoshita, Juan Ye, Gangyong Jia, Qing Wu,
• Abstract要約: 実世界の医療画像データセットは、しばしばラベル付きで不均衡であり、Semi-Supervised Object Detection (SSOD) はラベル付きデータを利用してオブジェクト検出器を改善することができる。 本稿では,OODクラスを含む未ラベルデータを利用してオブジェクト検出を改善するオープンセット半教師付きオブジェクト検出問題について考察する。 提案手法は最先端のSSOD性能より優れ,公開データセットの4.25mAP改善を実現している。
• 参考スコア（独自算出の注目度）: 11.376169783120213
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image datasets in the real world are often unlabeled and imbalanced, and Semi-Supervised Object Detection (SSOD) can utilize unlabeled data to improve an object detector. However, existing approaches predominantly assumed that the unlabeled data and test data do not contain out-of-distribution (OOD) classes. The few open-set semi-supervised object detection methods have two weaknesses: first, the class imbalance is not considered; second, the OOD instances are distinguished and simply discarded during pseudo-labeling. In this paper, we consider the open-set semi-supervised object detection problem which leverages unlabeled data that contain OOD classes to improve object detection for medical images. Our study incorporates two key innovations: Category Control Embed (CCE) and out-of-distribution Detection Fusion Classifier (OODFC). CCE is designed to tackle dataset imbalance by constructing a Foreground information Library, while OODFC tackles open-set challenges by integrating the ``unknown'' information into basic pseudo-labels. Our method outperforms the state-of-the-art SSOD performance, achieving a 4.25 mAP improvement on the public Parasite dataset.
• Abstract（参考訳）: 実世界の医療画像データセットは、しばしばラベル付きで不均衡であり、Semi-Supervised Object Detection (SSOD) はラベル付きデータを利用してオブジェクト検出器を改善することができる。 しかし、既存のアプローチでは、ラベルのないデータとテストデータには、アウト・オブ・ディストリビューション(OOD)クラスは含まれていないと推定されている。 数少ないオープンセットの半教師付きオブジェクト検出手法は2つの弱点がある: 第一に、クラス不均衡は考慮されない; 第二に、OODインスタンスは、擬似ラベル処理中に区別され、単に破棄される。 本稿では,OODクラスを含む未ラベルデータを利用して,医用画像のオブジェクト検出を改善するオープンセット半教師対象検出問題について考察する。 本研究は,CCE (Calegory Control Embed) とOODFC (Out-of-distriion Detection Fusion Classifier) の2つの重要なイノベーションを取り入れたものである。 CCEは、フォアグラウンド情報ライブラリを構築することでデータセットの不均衡に取り組むように設計されている。 提案手法は最先端のSSOD性能より優れ,パブリックなParasiteデータセットの4.25mAP改善を実現している。

関連論文リスト

• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Credible Teacher for Semi-Supervised Object Detection in Open Scene [106.25850299007674]
  Open Scene Semi-Supervised Object Detection (O-SSOD)では、ラベル付きデータはラベル付きデータで観測されていない未知のオブジェクトを含む可能性がある。 より不確実性が、偽ラベルのローカライズと分類精度の低下につながるため、主に自己学習に依存する現在の手法には有害である。 我々は,不確実な擬似ラベルがモデルに誤解をもたらすのを防ぐための,エンドツーエンドのフレームワークであるCredible Teacherを提案する。
  論文  参考訳（メタデータ） (2024-01-01T08:19:21Z)
• Semi-Supervised Object Detection with Uncurated Unlabeled Data for Remote Sensing Images [16.660668160785615]
  半教師付きオブジェクト検出(SSOD)手法は、ラベルのないデータに対して擬似ラベルを生成することでこの問題に対処する。 しかし、現実の状況では、ラベルなしデータセット内の分布外サンプル(OOD)と分布内サンプル(ID)が混在する可能性がある。 未ラベルデータに対するOpen-Set Semi-Supervised Object Detection (OSSOD)を提案する。
  論文  参考訳（メタデータ） (2023-10-09T07:59:31Z)
• Revisiting Class Imbalance for End-to-end Semi-Supervised Object Detection [1.6249267147413524]
  半教師付きオブジェクト検出(SSOD)は、擬似ラベルに基づくエンドツーエンド手法の開発において大きな進歩を遂げている。 多くの手法は、擬似ラベルジェネレータの有効性を妨げるクラス不均衡のため、課題に直面している。 本稿では,低品質な擬似ラベルの根本原因と,ラベル生成品質を改善するための新しい学習メカニズムについて検討する。
  論文  参考訳（メタデータ） (2023-06-04T06:01:53Z)
• SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
  本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。 提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
  論文  参考訳（メタデータ） (2023-04-10T11:10:42Z)
• Open-Set Semi-Supervised Object Detection [43.464223594166654]
  近年,Semi-Supervised Object Detection (SSOD) の開発が進められている。 我々は、より実用的で難しい問題、OSSOD(Open-Set Semi-Supervised Object Detection)を考える。 提案フレームワークはセマンティック拡張問題に効果的に対処し,OSSODベンチマークにおける一貫した改善を示す。
  論文  参考訳（メタデータ） (2022-08-29T17:04:30Z)
• SIOD: Single Instance Annotated Per Category Per Image for Object Detection [67.64774488115299]
  画像内の既存のカテゴリ毎に1つのインスタンスアノテーションのみを必要とする単一インスタンスアノテーションオブジェクト検出(SIOD)を提案する。 WSOD(Inter-task)やSSOD(Inter-image)の相違点からイメージ内の相違点に分解されたSIODは、ラベルなしインスタンスの残りをマイニングする上で、より信頼性が高く豊富な事前知識を提供する。 SIOD設定下では、類似性に基づく擬似ラベル生成モジュール(SPLG)と、Pixelレベルのグループコントラスト学習モジュール(PGCL)からなる、シンプルで効果的なフレームワークであるDual-Mining(DMiner)を提案する。
  論文  参考訳（メタデータ） (2022-03-29T08:49:51Z)
• The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
  クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。 我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。 我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
  論文  参考訳（メタデータ） (2022-03-10T23:35:00Z)
• Object Detection as a Positive-Unlabeled Problem [78.2955013126312]
  本稿では,未ラベル領域が負でなければならないという仮定を排除し,対象検出を正の未ラベル(PU)問題として扱うことを提案する。 提案するPU分類の損失は, PASCAL VOCやMS COCO, Visual GenomeやDeepLesionなど, ラベルの欠如により, 標準的なPN損失よりも優れていた。
  論文  参考訳（メタデータ） (2020-02-11T20:49:34Z)

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。