論文の概要: Conformal Prediction for Image Segmentation Using Morphological Prediction Sets

• arxiv url: http://arxiv.org/abs/2503.05618v1
• Date: Fri, 07 Mar 2025 17:42:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:23:29.588252
• Title: Conformal Prediction for Image Segmentation Using Morphological Prediction Sets
• Title（参考訳）: 形態的予測集合を用いた画像分割の等角予測
• Authors: Luca Mossina, Corentin Friedrich,
• Abstract要約: 本稿では,二項分割に着目し,共形予測を用いてこれらの課題に対処する。 我々のアプローチは、トレーニング中に使われていないキャリブレーションデータに基づいて、予測残差の型である非整合性スコアを計算することである。 医療画像の応用について検討する。
• 参考スコア（独自算出の注目度）: 0.7673339435080445
• License:
• Abstract: Image segmentation is a challenging task influenced by multiple sources of uncertainty, such as the data labeling process or the sampling of training data. In this paper we focus on binary segmentation and address these challenges using conformal prediction, a family of model- and data-agnostic methods for uncertainty quantification that provide finite-sample theoretical guarantees and applicable to any pretrained predictor. Our approach involves computing nonconformity scores, a type of prediction residual, on held-out calibration data not used during training. We use dilation, one of the fundamental operations in mathematical morphology, to construct a margin added to the borders of predicted segmentation masks. At inference, the predicted set formed by the mask and its margin contains the ground-truth mask with high probability, at a confidence level specified by the user. The size of the margin serves as an indicator of predictive uncertainty for a given model and dataset. We work in a regime of minimal information as we do not require any feedback from the predictor: only the predicted masks are needed for computing the prediction sets. Hence, our method is applicable to any segmentation model, including those based on deep learning; we evaluate our approach on several medical imaging applications.
• Abstract（参考訳）: イメージセグメンテーションは、データラベリングプロセスやトレーニングデータのサンプリングなど、複数の不確実性ソースの影響を受けやすいタスクである。 本稿では,有限サンプル理論保証を提供する不確実性定量化のためのモデルおよびデータ非依存の手法である共形予測を用いて,二項分割に着目し,これらの課題に対処する。 我々のアプローチは、トレーニング中に使われていないキャリブレーションデータに基づいて、予測残差の型である非整合性スコアを計算することである。 数学的形態学の基本的な操作の一つであるダイレーションを用いて、予測されたセグメンテーションマスクの境界に追加されたマージンを構築する。 推測において、マスクとそのマージンによって形成された予測セットは、利用者が指定した信頼度レベルにおいて、高い確率で接地トラスマスクを含む。 マージンのサイズは、与えられたモデルとデータセットの予測の不確実性の指標となる。 我々は、予測器からのフィードバックを必要としないため、最小限の情報体制で作業する:予測されたマスクだけが予測セットの計算に必要である。 したがって,本手法はディープラーニングを含む任意のセグメンテーションモデルに適用可能である。

関連論文リスト

• Conformal Semantic Image Segmentation: Post-hoc Quantification of Predictive Uncertainty [0.0]
  本稿では,セマンティックイメージセグメンテーションにおける予測不確実性を定量化する,ポストホックな計算軽量な手法を提案する。 提案手法は共形予測を用いて統計的に有効な予測セットを生成する。
  論文  参考訳（メタデータ） (2024-04-16T15:51:39Z)
• Anatomically-aware Uncertainty for Semi-supervised Image Segmentation [12.175556059523863]
  半教師付き学習は、ラベルなしデータを活用することにより、画像セグメンテーションのための大きなピクセル単位のラベル付きデータセットの必要性を緩和する。 不確実性推定法は、トレーニングの各ステップで計算しなければならないモデル予測からの複数の推論に依存する。 本研究では,セグメント化マスクのグローバル情報を活用することによってセグメント化の不確実性を推定する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-24T18:03:07Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• Conformal prediction for the design problem [72.14982816083297]
  機械学習の現実的な展開では、次にテストすべきデータを選択するために予測アルゴリズムを使用します。 このような設定では、トレーニングデータとテストデータの間には、異なるタイプの分散シフトがある。 このような環境で予測の不確実性を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2022-02-08T02:59:12Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Private Prediction Sets [72.75711776601973]
  機械学習システムは、個人のプライバシーの確実な定量化と保護を必要とする。 これら2つのデシラタを共同で扱う枠組みを提案する。 本手法を大規模コンピュータビジョンデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-02-11T18:59:11Z)
• Probabilistic Deep Learning for Instance Segmentation [9.62543698736491]
  提案手法は,提案不要なインスタンスセグメンテーションモデルにおけるモデル独立不確実性推定値を得るための汎用的な手法である。 本手法は,BBBC010 C. elegansデータセットを用いて評価し,競合性能を示す。
  論文  参考訳（メタデータ） (2020-08-24T19:51:48Z)
• Robust Validation: Confident Predictions Even When Distributions Shift [19.327409270934474]
  本稿では,モデルが点予測ではなく,その予測に対して不確実な推定を行うような,頑健な予測推論の手順について述べる。 本稿では, トレーニング集団の周囲に$f$-divergence のボールを用いて, 任意のテスト分布に対して適切なカバレッジレベルを与える予測セットを生成する手法を提案する。 私たちの方法論の重要な構成要素は、将来のデータシフトの量を見積り、それに対する堅牢性を構築することです。
  論文  参考訳（メタデータ） (2020-08-10T17:09:16Z)

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。