論文の概要: Label Sharing Incremental Learning Framework for Independent Multi-Label Segmentation Tasks

• arxiv url: http://arxiv.org/abs/2411.11105v1
• Date: Sun, 17 Nov 2024 15:50:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:35:21.359575
• Title: Label Sharing Incremental Learning Framework for Independent Multi-Label Segmentation Tasks
• Title（参考訳）: 独立型マルチラベルセグメンテーションタスクのためのラベル共有インクリメンタルラーニングフレームワーク
• Authors: Deepa Anand, Bipul Das, Vyshnav Dangeti, Antony Jerald, Rakesh Mullick, Uday Patil, Pakhi Sharma, Prasad Sudhakar,
• Abstract要約: 複数のデータセットに対してセグメンテーションモデルを構築する必要がある環境では、それぞれが対応するラベルセットを持つ。 本研究では,共有ラベル空間を構築し,各ラベル集合を共通ラベルに体系的にマッピングする新しいラベル共有フレームワークを提案する。 本手法は,多ラベルセグメンテーションを含む各種医用画像セグメンテーションデータセットを用いて実験的に検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In a setting where segmentation models have to be built for multiple datasets, each with its own corresponding label set, a straightforward way is to learn one model for every dataset and its labels. Alternatively, multi-task architectures with shared encoders and multiple segmentation heads or shared weights with compound labels can also be made use of. This work proposes a novel label sharing framework where a shared common label space is constructed and each of the individual label sets are systematically mapped to the common labels. This transforms multiple datasets with disparate label sets into a single large dataset with shared labels, and therefore all the segmentation tasks can be addressed by learning a single model. This eliminates the need for task specific adaptations in network architectures and also results in parameter and data efficient models. Furthermore, label sharing framework is naturally amenable for incremental learning where segmentations for new datasets can be easily learnt. We experimentally validate our method on various medical image segmentation datasets, each involving multi-label segmentation. Furthermore, we demonstrate the efficacy of the proposed method in terms of performance and incremental learning ability vis-a-vis alternative methods.
• Abstract（参考訳）: 複数のデータセットに対してセグメンテーションモデルを構築する必要がある環境では、それぞれが対応するラベルセットを持つ。 あるいは、共有エンコーダと複数のセグメンテーションヘッドを持つマルチタスクアーキテクチャや、複合ラベルを持つ共有重みも利用できる。 本研究では,共有ラベル空間を構築し,各ラベル集合を共通ラベルに体系的にマッピングする新しいラベル共有フレームワークを提案する。 これにより、異なるラベルセットを持つ複数のデータセットが共有ラベルを持つ単一の大きなデータセットに変換されるため、すべてのセグメンテーションタスクは単一のモデルを学ぶことで対処できる。 これにより、ネットワークアーキテクチャにおけるタスク固有の適応が不要になり、パラメータやデータ効率のモデルも不要になる。 さらに、ラベル共有フレームワークは、新しいデータセットのセグメンテーションを簡単に学習できるインクリメンタルラーニングには自然に適している。 本手法は,多ラベルセグメンテーションを含む各種医用画像セグメンテーションデータセットを用いて実験的に検証する。 さらに,提案手法の有効性を,性能と漸進的学習能力の観点から示す。

関連論文リスト

• Scribbles for All: Benchmarking Scribble Supervised Segmentation Across Datasets [51.74296438621836]
  Scribbles for Allは、スクリブルラベルに基づいて訓練されたセマンティックセグメンテーションのためのラベルおよびトレーニングデータ生成アルゴリズムである。 弱い監督の源泉としてのスクリブルの主な制限は、スクリブルセグメンテーションのための挑戦的なデータセットの欠如である。 Scribbles for Allは、いくつかの人気のあるセグメンテーションデータセットのスクリブルラベルを提供し、密集したアノテーションを持つデータセットのスクリブルラベルを自動的に生成するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2024-08-22T15:29:08Z)
• Deep Mutual Learning among Partially Labeled Datasets for Multi-Organ Segmentation [9.240202592825735]
  本稿では,相互学習に基づく2段階多臓器分割手法を提案する。 第1段階では、各部分組織セグメンテーションモデルは、異なるデータセットから重複しない臓器ラベルを利用する。 第2段階では、各全組織セグメンテーションモデルは、擬似ラベル付き完全ラベル付きデータセットによって管理される。
  論文  参考訳（メタデータ） (2024-07-17T14:41:25Z)
• Multi-Label Knowledge Distillation [86.03990467785312]
  本稿では,新しい多ラベル知識蒸留法を提案する。 一方、マルチラベル学習問題をバイナリ分類問題に分割することにより、ロジットからの情報的意味知識を利用する。 一方,ラベルワイド埋め込みの構造情報を活用することにより,学習した特徴表現の識別性を向上する。
  論文  参考訳（メタデータ） (2023-08-12T03:19:08Z)
• AIMS: All-Inclusive Multi-Level Segmentation [93.5041381700744]
  視覚領域を3つのレベル(パート、エンティティ、リレーション)に分割するタスクであるAll-Inclusive Multi-Level(AIMS)を提案する。 また、アノテーションの不整合とタスク相関の2つの大きな課題に対処するために、マルチデータセットのマルチタスクトレーニングを通じて統合されたAIMSモデルを構築します。
  論文  参考訳（メタデータ） (2023-05-28T16:28:49Z)
• LMSeg: Language-guided Multi-dataset Segmentation [15.624630978858324]
  我々はLMSegと呼ばれる言語誘導型マルチデータセットフレームワークを提案し、セマンティックとパンプトのセグメンテーションの両方をサポートしている。 LMSegは、柔軟性のない1ホットラベルを使用する代わりに、カテゴリ名をテキスト埋め込みスペースに統一された分類としてマッピングする。 実験により,本手法は4つのセグメンテーションデータセットと3つのパノプティックセグメンテーションデータセットに対して有意な改善が得られた。
  論文  参考訳（メタデータ） (2023-02-27T03:43:03Z)
• Structured Summarization: Unified Text Segmentation and Segment Labeling as a Generation Task [16.155438404910043]
  長い文書や会話を処理できる1つのエンコーダ・デコーダニューラルネットワークを提案する。 我々は、組み合わせたタスクを純粋な生成タスクとして解決する方法をうまく示す。 本結果は,テキストのセグメンテーションとセグメントラベリングを全体として検討する上で,強力なケースを確立した。
  論文  参考訳（メタデータ） (2022-09-28T01:08:50Z)
• Learning Semantic Segmentation from Multiple Datasets with Label Shifts [101.24334184653355]
  本論文では,ラベル空間が異なる複数のデータセットを対象としたモデルの自動学習手法であるUniSegを提案する。 具体的には,ラベルの相反と共起を考慮に入れた2つの損失を提案する。
  論文  参考訳（メタデータ） (2022-02-28T18:55:19Z)
• Scaling up Multi-domain Semantic Segmentation with Sentence Embeddings [81.09026586111811]
  ゼロショット設定に適用した場合、最先端の教師付き性能を実現するセマンティックセマンティックセマンティクスへのアプローチを提案する。 これは各クラスラベルを、クラスを記述する短い段落のベクトル値の埋め込みに置き換えることによって達成される。 結果として得られた200万以上の画像の統合セマンティックセグメンテーションデータセットは、7つのベンチマークデータセット上の最先端の教師付きメソッドと同等のパフォーマンスを達成するモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-02-04T07:19:09Z)
• Active Learning in Incomplete Label Multiple Instance Multiple Label Learning [17.5720245903743]
  MIML設定におけるアクティブラーニングのための新しいバッグクラスペア方式を提案する。 我々のアプローチは、効率的かつ正確な推論を伴う識別的グラフィカルモデルに基づいている。
  論文  参考訳（メタデータ） (2021-07-22T17:01:28Z)
• Simple multi-dataset detection [83.9604523643406]
  複数の大規模データセット上で統合検出器を訓練する簡単な方法を提案する。 データセット固有のアウトプットを共通の意味分類に自動的に統合する方法を示す。 私たちのアプローチは手動の分類学の調整を必要としません。
  論文  参考訳（メタデータ） (2021-02-25T18:55:58Z)
• Learning to segment images with classification labels [0.0]
  本稿では,画像レベルのラベルを用いることで,セグメンテーションレベルの真実の要求を緩和できるアーキテクチャを提案する。 実験では,クラス毎に1つのセグメンテーションレベルのアノテーションしか使用せず,完全に注釈付けされたデータセットに匹敵する性能が得られることを示した。
  論文  参考訳（メタデータ） (2019-12-28T22:01:39Z)

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。