論文の概要: TSBP: Improving Object Detection in Histology Images via Test-time Self-guided Bounding-box Propagation
- arxiv url: http://arxiv.org/abs/2409.16678v1
- Date: Wed, 25 Sep 2024 07:09:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-27 05:12:32.822482
- Title: TSBP: Improving Object Detection in Histology Images via Test-time Self-guided Bounding-box Propagation
- Title（参考訳）: TSBP:テスト時間自己誘導バウンディングボックスプロパゲーションによる組織像の物体検出の改善
- Authors: Tingting Yang, Liang Xiao, Yizhe Zhang,
- Abstract要約: オブジェクト検出タスクの最終結果にどのバウンディングボックスを含めるべきかを決定するために、グローバルしきい値(例:0.5)がしばしば適用される。
低い閾値は検出リコールを増加させるが、より多くの偽陽性をもたらす可能性がある。
このため、すべての有界ボックス候補に事前設定された大域しきい値(例:0.5)を用いることで、準最適解が導かれる。
- 参考スコア（独自算出の注目度）: 14.771640666631557
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A global threshold (e.g., 0.5) is often applied to determine which bounding boxes should be included in the final results for an object detection task. A higher threshold reduces false positives but may result in missing a significant portion of true positives. A lower threshold can increase detection recall but may also result in more false positives. Because of this, using a preset global threshold (e.g., 0.5) applied to all the bounding box candidates may lead to suboptimal solutions. In this paper, we propose a Test-time Self-guided Bounding-box Propagation (TSBP) method, leveraging Earth Mover's Distance (EMD) to enhance object detection in histology images. TSBP utilizes bounding boxes with high confidence to influence those with low confidence, leveraging visual similarities between them. This propagation mechanism enables bounding boxes to be selected in a controllable, explainable, and robust manner, which surpasses the effectiveness of using simple thresholds and uncertainty calibration methods. Importantly, TSBP does not necessitate additional labeled samples for model training or parameter estimation, unlike calibration methods. We conduct experiments on gland detection and cell detection tasks in histology images. The results show that our proposed TSBP significantly improves detection outcomes when working in conjunction with state-of-the-art deep learning-based detection networks. Compared to other methods such as uncertainty calibration, TSBP yields more robust and accurate object detection predictions while using no additional labeled samples. The code is available at https://github.com/jwhgdeu/TSBP.
- Abstract（参考訳）: オブジェクト検出タスクの最終結果にどのバウンディングボックスを含めるべきかを決定するために、大域しきい値(eg , 0.5)がしばしば適用される。
高い閾値は偽陽性を減少させるが、真の正のかなりの部分が欠落する可能性がある。
低い閾値は検出リコールを増加させるが、より多くの偽陽性をもたらす可能性がある。
このため、すべての有界ボックス候補に対して予め設定された大域しきい値(例えば0.5)を用いることで、準最適解が得られる。
本稿では,アース・モーバー・ディスタンス(EMD)を利用して,組織像における物体検出を向上する,テストタイム・セルフガイド・バウンディング・ボックス・プロパゲーション(TSBP)法を提案する。
TSBPは、信頼性の高いバウンディングボックスを使用して、信頼性の低いものに影響を与え、それらの間の視覚的類似性を活用する。
本発明の伝搬機構は、簡単なしきい値と不確実性校正方法を用いることにより、制御可能、説明可能、堅牢な方法で境界ボックスを選択できるようにする。
重要なことに、TSBPはキャリブレーション法とは異なり、モデルトレーニングやパラメータ推定のために追加のラベル付きサンプルを必要としない。
組織像における腺検出と細胞検出の課題について実験を行った。
その結果,提案したTSBPは,最先端のディープラーニングに基づく検出ネットワークと連携して作業する際の検出結果を大幅に改善することがわかった。
不確実性校正などの他の手法と比較して、TSBPは、追加のラベル付きサンプルを使用しながら、より堅牢で正確な物体検出予測をもたらす。
コードはhttps://github.com/jwhgdeu/TSBPで公開されている。
関連論文リスト
- Similarity Distance-Based Label Assignment for Tiny Object Detection [17.059514012235354]
そこで我々は,SimD(Simisity Distance)と呼ばれるシンプルだが効果的な戦略を導入し,ボックス間の類似性を評価する。
我々のアプローチは、ラベル割り当てやNon Maximum Suppression(NMS)のためのIoUの代わりに、一般的なアンカーベース検出器に適用できる。
4つの主流となる小型物体検出データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2024-07-02T16:12:37Z) - Bounding Box Stability against Feature Dropout Reflects Detector Generalization across Environments [52.65013932553849]
良い検出器は、位置があまり変化しない有界箱を出力する傾向があり、弱い検出器の有界箱は顕著な位置変化を受ける。
ボックス安定性スコア(BoSスコア)を計算して、この安定性を反映する。
各種試験環境における平均平均精度(mAP)を用いて測定した検出精度とBoSスコアが強い正の相関関係を持つことに寄与する。
論文 参考訳（メタデータ） (2024-03-20T17:59:16Z) - Decoupled Prototype Learning for Reliable Test-Time Adaptation [50.779896759106784]
テスト時間適応(TTA)は、推論中にトレーニング済みのソースモデルをターゲットドメインに継続的に適応させるタスクである。
1つの一般的なアプローチは、推定擬似ラベルによるクロスエントロピー損失を伴う微調整モデルである。
本研究は, 各試料の分類誤差を最小化することで, クロスエントロピー損失の脆弱性がラベルノイズを引き起こすことを明らかにした。
本稿では,プロトタイプ中心の損失計算を特徴とする新しいDPL法を提案する。
論文 参考訳（メタデータ） (2024-01-15T03:33:39Z) - Diffusing More Objects for Semi-Supervised Domain Adaptation with Less
Labeling [2.941832525496685]
物体検出では、境界ボックスの予測を逆拡散過程として見ることができる。
拡散モデルを用いて、ランダムバウンディングボックスは、画像に条件付けされた復調ステップで反復的に洗練される。
本稿では、ランダムなバウンディングボックスで各実行を起動し、わずかに異なる予測を組み合わせるアキュムレータ関数を提案する。
論文 参考訳（メタデータ） (2023-12-19T09:47:18Z) - Learning for Transductive Threshold Calibration in Open-World Recognition [83.35320675679122]
グラフニューラルネットワークを用いた高剛性と適応性を有するトランスダクティブしきい値キャリブレーション法であるOpenGCNを導入する。
オープンワールドの視覚認識ベンチマークにおける実験は、オープンワールドのしきい値校正のための既存のポストホック校正方法よりもOpenGCNの方が優れていることを検証する。
論文 参考訳（メタデータ） (2023-05-19T23:52:48Z) - Confidence-driven Bounding Box Localization for Small Object Detection [30.906712428887147]
信頼性駆動型バウンディングボックスローカライゼーション(C-BBL)法を提案する。
C-BBLは連続ラベルをグリッドに量子化し、2ホット基底の真理ラベルを定式化する。
異なるラベルシステムに対するC-BBLの一般化可能性と高分解能検出の有効性を示す。
論文 参考訳（メタデータ） (2023-03-03T09:19:08Z) - Mitigating the Mutual Error Amplification for Semi-Supervised Object
Detection [92.52505195585925]
擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。
他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
論文 参考訳（メタデータ） (2022-01-26T03:34:57Z) - Dynamic Label Assignment for Object Detection by Combining Predicted and
Anchor IoUs [20.41563386339572]
本稿では,予測付きトレーニング状況に基づいてラベル割り当てを動的に行うための,シンプルで効果的な手法を提案する。
本手法は,適応ラベル代入アルゴリズムによる検出モデルの性能改善を示す。
論文 参考訳（メタデータ） (2022-01-23T23:14:07Z) - SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。
効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。
構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
論文 参考訳（メタデータ） (2020-07-26T12:32:38Z) - UC-Net: Uncertainty Inspired RGB-D Saliency Detection via Conditional
Variational Autoencoders [81.5490760424213]
データラベリングプロセスから学習することで、RGB-Dサリエンシ検出に不確実性を利用するための第1のフレームワーク(UCNet)を提案する。
そこで本研究では,サリエンシデータラベリングにヒントを得て,確率的RGB-Dサリエンシ検出ネットワークを提案する。
論文 参考訳（メタデータ） (2020-04-13T04:12:59Z)
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。