論文の概要: Is Foreground Prototype Sufficient? Few-Shot Medical Image Segmentation with Background-Fused Prototype

• arxiv url: http://arxiv.org/abs/2412.02983v1
• Date: Wed, 04 Dec 2024 02:51:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-05 15:08:25.633159
• Title: Is Foreground Prototype Sufficient? Few-Shot Medical Image Segmentation with Background-Fused Prototype
• Title（参考訳）: 前景の原型は十分か?背景融合原型を用いた少数ショット医用画像分割
• Authors: Song Tang, Chunxiao Zu, Wenxin Su, Yuan Dong, Mao Ye, Yan Gan, Xiatian Zhu,
• Abstract要約: Few-shot Semantic(FSS)は、トレーニング済みモデルを新しいクラスに適応するために、クラス毎に1つのラベル付きトレーニングサンプルをラベル付けする。 医用画像におけるFSSのための新しいプラガブルバックグラウンドフューズプロトタイプ(Bro)を提案する。 Bro氏はこの背景を2つのピボット設計で組み込んでいる。具体的には、FeaC(FeaC)は、クエリイメージとのクロスアテンションを利用して、最初にサポートイメージのノイズを低減します。 チャネルグループに基づくアテンション機構によりこれを実現し、敵構造は粗大な核融合を促進する。
• 参考スコア（独自算出の注目度）: 40.062825908232185
• License:
• Abstract: Few-shot Semantic Segmentation(FSS)aim to adapt a pre-trained model to new classes with as few as a single labeled training sample per class. The existing prototypical work used in natural image scenarios biasedly focus on capturing foreground's discrimination while employing a simplistic representation for background, grounded on the inherent observation separation between foreground and background. However, this paradigm is not applicable to medical images where the foreground and background share numerous visual features, necessitating a more detailed description for background. In this paper, we present a new pluggable Background-fused prototype(Bro)approach for FSS in medical images. Instead of finding a commonality of background subjects in support image, Bro incorporates this background with two pivot designs. Specifically, Feature Similarity Calibration(FeaC)initially reduces noise in the support image by employing feature cross-attention with the query image. Subsequently, Hierarchical Channel Adversarial Attention(HiCA)merges the background into comprehensive prototypes. We achieve this by a channel groups-based attention mechanism, where an adversarial Mean-Offset structure encourages a coarse-to-fine fusion. Extensive experiments show that previous state-of-the-art methods, when paired with Bro, experience significant performance improvements. This demonstrates a more integrated way to represent backgrounds specifically for medical image.
• Abstract（参考訳）: Few-shot Semantic Segmentation(FSS) 事前トレーニングされたモデルを新しいクラスに適応するために、クラス毎に1つのラベル付きトレーニングサンプルしか持たない。 自然画像のシナリオで使われている既存の原型的作業は、前景と背景の固有の観察的分離に基づいて、背景の簡素な表現を使用しながら、前景の識別を捉えることに偏りがあった。 しかし、このパラダイムは、フォアグラウンドと背景が多くの視覚的特徴を共有している医療画像には適用できない。 本稿では,医用画像におけるFSS用プラグイン型バックグラウンドフューズプロトタイプ(Bro)について述べる。 サポートイメージに背景対象の共通性を見つける代わりに、Broはこの背景を2つのピボットデザインで組み込む。 特に、FeaC(FeaC)は、最初に、クエリ画像とのクロスアテンションを利用して、サポート画像のノイズを低減します。 その後、HiCA(Hierarchical Channel Adversarial Attention)が背景を総合プロトタイプにマージする。 チャネルグループに基づくアテンション機構によりこれを実現し、逆数平均オフセット構造は粗大な融合を促進する。 大規模な実験により、Broと組み合わせた従来の最先端の手法では、大幅なパフォーマンス向上が見られた。 これにより、医用画像に特化して背景を表現できる、より統合された方法が示される。

関連論文リスト

• Correlation Weighted Prototype-based Self-Supervised One-Shot Segmentation of Medical Images [12.365801596593936]
  医用画像セグメンテーションは、十分な注釈付きデータが入手できない領域の1つである。 スーパーピクセルから生成された擬似ラベルを用いた,プロトタイプベースのワンショット学習フレームワークを提案する。 提案手法は,最先端の手法と同等に機能することを示す。
  論文  参考訳（メタデータ） (2024-08-12T15:38:51Z)
• Few-Shot Medical Image Segmentation with High-Fidelity Prototypes [38.073371773707514]
  本稿では,オブジェクトフォアグラウンドと背景を包括的に表現する高忠実度プロトタイプを構築するための,DSPNet(Detail Self-Refined Prototype Network)を提案する。 得られた詳細セマンティクスを維持しつつグローバルなセマンティクスを構築するために,マルチモーダル構造をクラスタリングでモデル化し,それぞれをチャネル的に融合させることにより,前景のプロトタイプを学習する。
  論文  参考訳（メタデータ） (2024-06-26T05:06:14Z)
• Coarse-to-Fine Latent Diffusion for Pose-Guided Person Image Synthesis [65.7968515029306]
  PGPIS(Pose-Guided Person Image Synthesis)のためのCFLD(Coarse-to-Fine Latent Diffusion)法を提案する。 認識修正デコーダは、学習可能なクエリの集合を段階的に洗練し、粗いプロンプトとして人物画像の意味的理解を抽出するように設計されている。
  論文  参考訳（メタデータ） (2024-02-28T06:07:07Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Invariant Learning via Diffusion Dreamed Distribution Shifts [121.71383835729848]
  拡散ドリーム分布シフト(D3S)と呼ばれるデータセットを提案する。 D3Sは、テキストプロンプトを用いてStableDiffusionを通じて生成された合成画像と、サンプルフォアグラウンドイメージを背景テンプレートイメージにペーストした画像ガイドから構成される。 拡散モデルの驚くべきフォトリアリズムのため、我々の画像は以前の合成データセットよりも自然な画像に近い。
  論文  参考訳（メタデータ） (2022-11-18T17:07:43Z)
• Query Semantic Reconstruction for Background in Few-Shot Segmentation [0.0]
  Few-shot segmentation (FSS) は、いくつかのアノテーション付きサンプルを使用して、目に見えないクラスをセグメントすることを目的としている。 いくつかのFSSメソッドは、サポートイメージの背景を使用して、クエリイメージの背景を特定することでこの問題に対処しようとする。 本稿では,クエリ画像自体から背景を抽出するQSRを提案する。
  論文  参考訳（メタデータ） (2022-10-21T15:49:16Z)
• Anomaly Detection-Inspired Few-Shot Medical Image Segmentation Through Self-Supervision With Supervoxels [23.021720656733088]
  そこで本研究では, 異常検出に着想を得た新規な医用画像分割手法を提案する。 我々は1つの前景のプロトタイプを使用して、全てのクエリピクセルの異常スコアを計算する。 セグメンテーションは、学習しきい値を用いてこれらの異常スコアをしきい値にすることで実行される。
  論文  参考訳（メタデータ） (2022-03-03T22:36:39Z)
• Rectifying the Shortcut Learning of Background: Shared Object Concentration for Few-Shot Image Recognition [101.59989523028264]
  Few-Shot画像分類は、大規模なデータセットから学んだ事前学習された知識を利用して、一連の下流分類タスクに取り組むことを目的としている。 本研究では,Few-Shot LearningフレームワークであるCOSOCを提案する。
  論文  参考訳（メタデータ） (2021-07-16T07:46:41Z)
• Background Splitting: Finding Rare Classes in a Sea of Background [55.03789745276442]
  我々は,少数の稀なカテゴリの画像分類のための,高精度な深層モデルの訓練という現実的な問題に焦点をあてる。 これらのシナリオでは、ほとんどの画像はデータセットの背景カテゴリに属します(データセットの95%は背景です)。 非バランスなデータセットをトレーニングするための標準的な微調整アプローチと最先端アプローチの両方が、この極端な不均衡の存在下で正確な深層モデルを生成していないことを実証する。
  論文  参考訳（メタデータ） (2020-08-28T23:05:15Z)

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。