論文の概要: Biologically-inspired Semi-supervised Semantic Segmentation for Biomedical Imaging

• arxiv url: http://arxiv.org/abs/2412.03192v1
• Date: Wed, 04 Dec 2024 10:25:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-05 15:08:11.403931
• Title: Biologically-inspired Semi-supervised Semantic Segmentation for Biomedical Imaging
• Title（参考訳）: バイオメディカルイメージングのためのバイオインスパイアされた半教師付きセマンティックセマンティックセグメンテーション
• Authors: Luca Ciampi, Gabriele Lagani, Giuseppe Amato, Fabrizio Falchi,
• Abstract要約: セマンティックセグメンテーションアーキテクチャを訓練するための2段階半教師付き学習手法を提案する。 第1段階では、生物にインスパイアされたヘッブの原理を「一緒に発火し、繋ぎ合わせる」という局所的な学習規則を取り入れている。 第2段階では、モデルはラベル付きデータの小さなサブセットに対して標準的なバックプロパゲーションで微調整される。
• 参考スコア（独自算出の注目度）: 7.915123555266876
• License:
• Abstract: We propose a novel two-stage semi-supervised learning approach for training downsampling-upsampling semantic segmentation architectures. The first stage does not use backpropagation. Rather, it exploits the bio-inspired Hebbian principle "fire together, wire together" as a local learning rule for updating the weights of both convolutional and transpose-convolutional layers, allowing unsupervised discovery of data features. In the second stage, the model is fine-tuned with standard backpropagation on a small subset of labeled data. We evaluate our methodology through experiments conducted on several widely used biomedical datasets, deeming that this domain is paramount in computer vision and is notably impacted by data scarcity. Results show that our proposed method outperforms SOTA approaches across different levels of label availability. Furthermore, we show that using our unsupervised stage to initialize the SOTA approaches leads to performance improvements. The code to replicate our experiments can be found at: https://github.com/ciampluca/hebbian-medical-image-segmentation
• Abstract（参考訳）: 本稿では,2段階の半教師付き学習手法を提案する。 第1段階はバックプロパゲーションを使用しない。 むしろ、バイオインスパイアされたヘビーンの原理を、畳み込み層と転置畳み込み層の重みを更新するための局所的な学習規則として利用し、教師なしのデータ特徴の発見を可能にする。 第2段階では、モデルはラベル付きデータの小さなサブセットに対して標準的なバックプロパゲーションで微調整される。 我々は、この領域がコンピュータビジョンにおいて最重要であり、データ不足の影響を顕著に受けていると推定し、広く使われているバイオメディカルデータセットの実験を通じて方法論を評価した。 その結果,提案手法はラベルの可用性の異なるレベルにおいてSOTA手法よりも優れていることがわかった。 さらに,SOTAのアプローチを初期化するために教師なしのステージを使用すると,性能が向上することを示す。 実験を再現するコードは、https://github.com/ciampluca/hebbian-medical-image-segmentation.comで確認できます。

関連論文リスト

• Dual-Decoder Consistency via Pseudo-Labels Guided Data Augmentation for Semi-Supervised Medical Image Segmentation [13.707121013895929]
  本稿では, Pseudo-Labels Guided Data Augmentation を用いた新しい半教師付き学習手法である Dual-Decoder Consistency を提案する。 我々は、同じエンコーダを維持しながら、生徒と教師のネットワークに異なるデコーダを使用します。 ラベルのないデータから学習するために、教師ネットワークによって生成された擬似ラベルを作成し、擬似ラベルでトレーニングデータを増強する。
  論文  参考訳（メタデータ） (2023-08-31T09:13:34Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Hyperbolic Active Learning for Semantic Segmentation under Domain Shift [45.051035873942276]
  HALOは、ドメインシフトの下でセマンティックセグメンテーションをアクティブに学習する上で、新たな最先端を設定できる。 これは、少数のラベルを使用しながら、教師付きドメイン適応の性能を上回る最初のアクティブな学習手法である。
  論文  参考訳（メタデータ） (2023-06-19T22:07:20Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Deep learning based domain adaptation for mitochondria segmentation on EM volumes [5.682594415267948]
  対象領域におけるミトコンドリアセグメンテーションを改善するための3つの非教師なし領域適応戦略を提案する。 そこで本研究では,ソースドメイン内でのみ得られる形態的事前条件に基づいて,新たな学習停止基準を提案する。 評価ラベルがない場合、提案した形態素に基づく計量をモニタリングすることは、トレーニングプロセスを止めて平均最適モデルを選択するための直感的で効果的な方法である。
  論文  参考訳（メタデータ） (2022-02-22T09:49:25Z)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• Semi-supervised Medical Image Segmentation through Dual-task Consistency [18.18484640332254]
  本稿では,画素単位のセグメンテーションマップと,ターゲットの幾何認識レベルセット表現を共同で予測する,新しいデュアルタスクディープネットワークを提案する。 本手法はラベルなしデータを組み込むことで性能を大幅に向上させることができる。 当フレームワークは,最先端の半教師付き医用画像分割法より優れている。
  論文  参考訳（メタデータ） (2020-09-09T17:49:21Z)
• 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)
• ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised Medical Image Segmentation [99.90263375737362]
  教師-学生最適化の非同期版であるATSOを提案する。 ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。 医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
  論文  参考訳（メタデータ） (2020-06-24T04:05:12Z)
• 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)

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。