論文の概要: Divide and Conquer Self-Supervised Learning for High-Content Imaging

• arxiv url: http://arxiv.org/abs/2503.07444v1
• Date: Mon, 10 Mar 2025 15:24:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:52:58.277034
• Title: Divide and Conquer Self-Supervised Learning for High-Content Imaging
• Title（参考訳）: ディバイドとコンカレント・セルフ・スーパーバイザード・ラーニングによる高濃度イメージング
• Authors: Lucas Farndale, Paul Henderson, Edward W Roberts, Ke Yuan,
• Abstract要約: Split Component Embedding Registration (SpliCER) は、イメージをセクションに分割し、各セクションから情報を消耗して、よりシンプルで複雑な機能を学ぶためにモデルをガイドする新しいアーキテクチャである。 SpliCERは表現学習のための強力な新しいツールを提供しており、モデルが他のメソッドで見過ごされる可能性のある複雑な機能を明らかにすることができる。
• 参考スコア（独自算出の注目度）: 6.880995184251855
• License:
• Abstract: Self-supervised representation learning methods often fail to learn subtle or complex features, which can be dominated by simpler patterns which are much easier to learn. This limitation is particularly problematic in applications to science and engineering, as complex features can be critical for discovery and analysis. To address this, we introduce Split Component Embedding Registration (SpliCER), a novel architecture which splits the image into sections and distils information from each section to guide the model to learn more subtle and complex features without compromising on simpler features. SpliCER is compatible with any self-supervised loss function and can be integrated into existing methods without modification. The primary contributions of this work are as follows: i) we demonstrate that existing self-supervised methods can learn shortcut solutions when simple and complex features are both present; ii) we introduce a novel self-supervised training method, SpliCER, to overcome the limitations of existing methods, and achieve significant downstream performance improvements; iii) we demonstrate the effectiveness of SpliCER in cutting-edge medical and geospatial imaging settings. SpliCER offers a powerful new tool for representation learning, enabling models to uncover complex features which could be overlooked by other methods.
• Abstract（参考訳）: 自己監督型表現学習法は、しばしば微妙な特徴や複雑な特徴を学習するのに失敗する。 この制限は科学や工学の応用において特に問題であり、複雑な特徴は発見と分析に重要である。 これを解決するために、Split Component Embedding Registration (SpliCER)という新しいアーキテクチャを紹介します。これは、画像をセクションに分割し、各セクションから情報を消し去り、より単純なフィーチャを妥協することなく、より微妙で複雑な特徴を学習するためにモデルをガイドします。 SpliCERは、任意の自己教師付き損失関数と互換性があり、修正することなく既存のメソッドに統合できる。 この作品の主な貢献は次の通りである。 一 既存の自己監督的手法により、単純かつ複雑な特徴が両方存在する場合に、ショートカットの解を学習できることを実証する。 二 既存の方法の限界を克服し、ダウンストリーム性能の大幅な向上を図るために、新しい自己指導型トレーニング手法SpliCERを導入する。 三 医療・地理画像の最先端化におけるSpliCERの有効性を実証する。 SpliCERは表現学習のための強力な新しいツールを提供しており、モデルが他のメソッドで見過ごされる可能性のある複雑な機能を明らかにすることができる。

関連論文リスト

• Equivariant Representation Learning for Augmentation-based Self-Supervised Learning via Image Reconstruction [3.7003845808210594]
  本稿では,拡張型自己教師型学習アルゴリズムにおいて,画像再構成タスクを補助的コンポーネントとして統合することを提案する。 提案手法は,2つの拡張ビューから学習した特徴をブレンドし,そのうちの1つを再構築するクロスアテンション機構を実装した。 結果は、標準強化に基づく自己教師あり学習法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-12-04T13:47:37Z)
• Efficient Exploration and Discriminative World Model Learning with an Object-Centric Abstraction [19.59151245929067]
  エージェントにオブジェクト中心のマッピング(アイテムとその属性のセットを記述する)を与えることで、より効率的な学習が可能になるかどうかを検討する。 この問題は、ピクセルへの高レベルの状態抽象化でアイテムをモデル化し、プリミティブアクションへの高レベルの時間抽象化で属性を変更することで、階層的に最もよく解決されている。 我々は,識別的世界モデルを学ぶ完全モデルに基づくアルゴリズムを提案し,数に基づく本質的な報酬のみを用いて効率的に探索し,その後に発見された(抽象的な)状態に到達する計画を立てる。
  論文  参考訳（メタデータ） (2024-08-21T17:59:31Z)
• Understanding Visual Feature Reliance through the Lens of Complexity [14.282243225622093]
  我々は$mathscrV$-informationに基づいて,特徴量の定量化のための新しい指標を提案する。 我々は、標準画像ネット学習視覚モデルから抽出した1万個の特徴の複雑さを、垂直層内の方向として表現する。
  論文  参考訳（メタデータ） (2024-07-08T16:21:53Z)
• An Information Compensation Framework for Zero-Shot Skeleton-based Action Recognition [49.45660055499103]
  ゼロショットの人間の骨格に基づく行動認識は、トレーニング中に見られるカテゴリ外の行動を認識するモデルを構築することを目的としている。 従来の研究では、シーケンスの視覚的空間分布と意味的空間分布の整合性に焦点が当てられていた。 強固で頑健な表現を得るために,新たな損失関数サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2024-06-02T06:53:01Z)
• Visual Imitation Learning with Calibrated Contrastive Representation [44.63125396964309]
  AIL(Adversarial Imitation Learning)は、エージェントが低次元の状態と行動で専門家の行動を再現することを可能にする。 本稿では、視覚的AILフレームワークにコントラスト型代表学習を組み込むことにより、シンプルで効果的な解を提案する。
  論文  参考訳（メタデータ） (2024-01-21T04:18:30Z)
• VILLS -- Video-Image Learning to Learn Semantics for Person Re-Identification [51.89551385538251]
  VILLS (Video-Image Learning to Learn Semantics) は画像やビデオから空間的特徴と時間的特徴を共同で学習する自己教師型手法である。 VILLSはまず、意味的一貫性と頑健な空間的特徴を適応的に抽出する局所意味抽出モジュールを設計する。 そして、VILLSは、一貫した特徴空間における画像とビデオのモダリティを表現するために、統合された特徴学習および適応モジュールを設計する。
  論文  参考訳（メタデータ） (2023-11-27T19:30:30Z)
• Epistemic Graph: A Plug-And-Play Module For Hybrid Representation Learning [46.48026220464475]
  人間はハイブリッド学習を示し、クロスドメイン認識のための構造化された知識をシームレスに統合したり、少量の学習のために少量のデータサンプルに依存する。 本稿では, 深部特徴と構造化知識グラフ間の情報交換を促進し, ハイブリッド学習を実現するための新しいエピステミックグラフ層(EGLayer)を提案する。
  論文  参考訳（メタデータ） (2023-05-30T04:10:15Z)
• Interactive Feature Embedding for Infrared and Visible Image Fusion [94.77188069479155]
  赤外線と可視画像の融合のための一般的なディープラーニングに基づく手法は、情報保持のための教師なしのメカニズムに依存している。 赤外線および可視画像融合のための自己教師付き学習フレームワークに,インタラクティブな新たな特徴埋め込みを提案する。
  論文  参考訳（メタデータ） (2022-11-09T13:34:42Z)
• Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
  本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。 このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
  論文  参考訳（メタデータ） (2022-06-01T23:26:51Z)
• An Empirical Investigation of Representation Learning for Imitation [76.48784376425911]
  視覚、強化学習、NLPにおける最近の研究は、補助的な表現学習の目的が、高価なタスク固有の大量のデータの必要性を減らすことを示している。 本稿では,表現学習アルゴリズムを構築するためのモジュラーフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-16T11:23:42Z)
• Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
  画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。 我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
  論文  参考訳（メタデータ） (2021-01-07T07:33:38Z)

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。