論文の概要: TopoMortar: A dataset to evaluate image segmentation methods focused on topology accuracy
- arxiv url: http://arxiv.org/abs/2503.03365v1
- Date: Wed, 05 Mar 2025 10:42:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-06 15:52:06.956733
- Title: TopoMortar: A dataset to evaluate image segmentation methods focused on topology accuracy
- Title（参考訳）: TopoMortar: トポロジの精度に着目した画像分割手法の評価データセット
- Authors: Juan Miguel Valverde, Motoya Koga, Nijihiko Otsuka, Anders Bjorholm Dahl,
- Abstract要約: TopoMortarは、トポロジーに焦点を当てた画像セグメンテーション手法を評価するために特別に設計された最初のデータセットである。
TopoMortar 上で clDice が最も位相的に正確なセグメンテーションを達成したことを示す。
また,データ拡張や自己蒸留といった単純な手法により,クロスエントロピーDice損失がほとんどのトポロジ損失関数を超える可能性があることを示す。
- 参考スコア（独自算出の注目度）: 0.5892638927736115
- License:
- Abstract: We present TopoMortar, a brick wall dataset that is the first dataset specifically designed to evaluate topology-focused image segmentation methods, such as topology loss functions. TopoMortar enables to investigate in two ways whether methods incorporate prior topological knowledge. First, by eliminating challenges seen in real-world data, such as small training set, noisy labels, and out-of-distribution test-set images, that, as we show, impact the effectiveness of topology losses. Second, by allowing to assess in the same dataset topology accuracy across dataset challenges, isolating dataset-related effects from the effect of incorporating prior topological knowledge. In these two experiments, it is deliberately difficult to improve topology accuracy without actually using topology information, thus, permitting to attribute an improvement in topology accuracy to the incorporation of prior topological knowledge. To this end, TopoMortar includes three types of labels (accurate, noisy, pseudo-labels), two fixed training sets (large and small), and in-distribution and out-of-distribution test-set images. We compared eight loss functions on TopoMortar, and we found that clDice achieved the most topologically accurate segmentations, Skeleton Recall loss performed best particularly with noisy labels, and the relative advantageousness of the other loss functions depended on the experimental setting. Additionally, we show that simple methods, such as data augmentation and self-distillation, can elevate Cross entropy Dice loss to surpass most topology loss functions, and that those simple methods can enhance topology loss functions as well. clDice and Skeleton Recall loss, both skeletonization-based loss functions, were also the fastest to train, making this type of loss function a promising research direction. TopoMortar and our code can be found at https://github.com/jmlipman/TopoMortar
- Abstract（参考訳）: TopoMortarは,トポロジに着目した画像分割手法(トポロジロス関数など)を評価するために設計された最初のデータセットである。
TopoMortarは、メソッドが事前のトポロジカル知識を取り入れているかどうかを2つの方法で調査することができる。
まず、小さなトレーニングセット、騒々しいラベル、配布外テストセット画像など、現実世界のデータに見られる課題を取り除くことで、トポロジの損失の有効性に影響を与えます。
第二に、データセットの課題全体で同じデータセットトポロジの精度を評価できるようにすることで、以前のトポロジ的知識を取り入れた影響からデータセット関連の効果を分離する。
この2つの実験では、トポロジの情報を実際に使わずにトポロジの精度を向上させることは意図的に困難であり、トポロジの精度の向上を従来のトポロジの知識の取り込みに寄与させることが可能である。
この目的のために、TopoMortarには3種類のラベル(精度、ノイズ、擬似ラベル)、2つの固定トレーニングセット(大きくて小さい)、分布内および分布外テストセットイメージが含まれる。
TopoMortar の8つの損失関数を比較し,clDice が最も位相的に正確なセグメンテーションを達成し,特にノイズラベルを用いたスケルトンリコール損失を達成し,他の損失関数の相対的優位性は実験条件に依存した。
さらに,データ拡張や自己蒸留といった単純な手法は,クロスエントロピー・ディス・ロスを増大させ,ほとんどのトポロジ損失関数を超越し,トポロジ損失関数も拡張できることを示す。
また、骨格化に基づく損失関数であるclDiceとSkeleton Recallの損失も訓練の最速であり、このタイプの損失関数は有望な研究方向となった。
TopoMortarと私たちのコードはhttps://github.com/jmlipman/TopoMortarにある。
関連論文リスト
- Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。
ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。
トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-05T16:20:14Z) - Robust Loss Functions for Object Grasping under Limited Ground Truth [3.794161613920474]
畳み込みニューラルネットワークをトレーニングしている間、欠落した、あるいは騒々しい真実に対処します。
未ラベル標本に対して,新たに予測されたカテゴリ確率法が定義される。
ノイズの多い基底事実に対しては、ラベルノイズの破損に抵抗する対称損失関数が導入された。
論文 参考訳（メタデータ） (2024-09-09T15:56:34Z) - Enhancing Boundary Segmentation for Topological Accuracy with Skeleton-based Methods [7.646983689651424]
位相整合性は、直交画像の境界セグメンテーションの課題において重要な役割を果たす。
本稿では,各物体の形状と画素の位相的意義を考慮に入れた新たな損失関数であるSkea-Topo Aware Losを提案する。
実験により, この手法は, 13 の最先端手法と比較して, VI において最大 7 点まで位相整合性を向上させることが証明された。
論文 参考訳（メタデータ） (2024-04-29T09:27:31Z) - Enhancing Noise-Robust Losses for Large-Scale Noisy Data Learning [0.0]
大きな注釈付きデータセットには、必然的にノイズのあるラベルが含まれており、ラベルを覚えやすいようにディープニューラルネットワークをトレーニングする上で大きな課題となる。
ノイズ・ロバスト損失関数はこの問題に対処するための重要な戦略として現れてきたが、過度に適合しないロバスト損失関数を作成することは依然として困難である。
本稿では,ロジットバイアス(logit bias)と表される新しい手法を提案し,ロジットに正しいクラスの位置で実数$epsilon$を付加する。
論文 参考訳（メタデータ） (2023-06-08T18:38:55Z) - Minimizing the Accumulated Trajectory Error to Improve Dataset
Distillation [151.70234052015948]
本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。
合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。
本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
論文 参考訳（メタデータ） (2022-11-20T15:49:11Z) - BuyTheDips: PathLoss for improved topology-preserving deep
learning-based image segmentation [1.8899300124593648]
本稿では,新しいリーク損失であるPathlossに依存する新しいディープイメージセグメンテーション手法を提案する。
本手法は,異なる性質の2つの代表的なデータセットに対して,最先端のトポロジ認識手法より優れる。
論文 参考訳（メタデータ） (2022-07-23T07:19:30Z) - Image Segmentation with Homotopy Warping [10.093435601073484]
位相的正しさは、微細な構造を持つ画像のセグメンテーションに不可欠である。
ディジタルトポロジの理論を活用することで、トポロジにとって重要な画像中の位置を特定する。
本稿では,位相的精度を向上させるために,深部画像分割ネットワークをトレーニングするための新たなホモトピーワーピング損失を提案する。
論文 参考訳（メタデータ） (2021-12-15T00:33:15Z) - Searching for Robustness: Loss Learning for Noisy Classification Tasks [81.70914107917551]
テイラーを用いたフレキシブルな損失関数群をパラメタライズし、この空間におけるノイズロスの探索に進化的戦略を適用する。
その結果、ホワイトボックスの損失は、さまざまな下流タスクで効果的なノイズロバスト学習を可能にするシンプルで高速な「プラグアンドプレイ」モジュールを提供します。
論文 参考訳（メタデータ） (2021-02-27T15:27:22Z) - Loss Function Discovery for Object Detection via Convergence-Simulation
Driven Search [101.73248560009124]
本稿では,効率的な収束シミュレーションによる進化的探索アルゴリズムCSE-Autolossを提案する。
一般的な検出器上での損失関数探索の広範囲な評価を行い、探索された損失の優れた一般化能力を検証した。
実験の結果, 2段検出器と1段検出器のmAPでは, 最適損失関数の組み合わせが1.1%と0.8%を上回っていることがわかった。
論文 参考訳（メタデータ） (2021-02-09T08:34:52Z) - Topological obstructions in neural networks learning [67.8848058842671]
損失勾配関数フローのグローバル特性について検討する。
損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
論文 参考訳（メタデータ） (2020-12-31T18:53:25Z) - Self-Learning with Rectification Strategy for Human Parsing [73.06197841003048]
擬似ラベルの2つの典型的な誤りを補正する訓練可能なグラフ推論法を提案する。
再構成された特徴は、人体のトポロジー構造を表現する能力が強い。
本手法は、教師付き人間の解析作業において、他の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2020-04-17T03:51:30Z)
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。