論文の概要: Segmentation with Noisy Labels via Spatially Correlated Distributions
- arxiv url: http://arxiv.org/abs/2504.14795v1
- Date: Mon, 21 Apr 2025 01:50:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-29 20:05:27.260191
- Title: Segmentation with Noisy Labels via Spatially Correlated Distributions
- Title（参考訳）: 空間的関連分布による雑音ラベルのセグメンテーション
- Authors: Ryu Tadokoro, Tsukasa Takagi, Shin-ichi Maeda,
- Abstract要約: 本稿では,ラベル誤りを含むトレーニングデータを想定した確率モデルに基づくベイズ推定手法を提案する。
提案手法は,中等度雑音下でのクリーンラベルによるトレーニングに匹敵する性能を実現する。
- 参考スコア（独自算出の注目度）: 3.522950356329991
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In semantic segmentation, the accuracy of models heavily depends on the high-quality annotations. However, in many practical scenarios such as medical imaging and remote sensing, obtaining true annotations is not straightforward and usually requires significant human labor. Relying on human labor often introduces annotation errors, including mislabeling, omissions, and inconsistency between annotators. In the case of remote sensing, differences in procurement time can lead to misaligned ground truth annotations. These label errors are not independently distributed, and instead usually appear in spatially connected regions where adjacent pixels are more likely to share the same errors. To address these issues, we propose an approximate Bayesian estimation based on a probabilistic model that assumes training data includes label errors, incorporating the tendency for these errors to occur with spatial correlations between adjacent pixels. Bayesian inference requires computing the posterior distribution of label errors, which becomes intractable when spatial correlations are present. We represent the correlation of label errors between adjacent pixels through a Gaussian distribution whose covariance is structured by a Kac-Murdock-Szeg\"{o} (KMS) matrix, solving the computational challenges. Through experiments on multiple segmentation tasks, we confirm that leveraging the spatial correlation of label errors significantly improves performance. Notably, in specific tasks such as lung segmentation, the proposed method achieves performance comparable to training with clean labels under moderate noise levels. Code is available at https://github.com/pfnet-research/Bayesian_SpatialCorr.
- Abstract（参考訳）: セマンティックセグメンテーションでは、モデルの精度は高品質なアノテーションに大きく依存する。
しかし、医用画像やリモートセンシングなどの多くの実践シナリオでは、真のアノテーションを得るのは簡単ではなく、通常はかなりの人的労力を必要とする。
人間の労働を頼りにするということは、しばしばアノテーションの誤記、省略、アノテータ間の矛盾など、アノテーションの誤りをもたらす。
リモートセンシングの場合、調達時間の違いは、真理アノテーションの不一致につながる可能性がある。
これらのラベルエラーは独立に分散されず、通常、隣接するピクセルが同じエラーを共有しやすい空間的に接続された領域に現れる。
これらの問題に対処するために,ラベルエラーを含むトレーニングデータを仮定した確率モデルに基づく近似ベイズ推定法を提案する。
ベイズ推論では、空間的相関が存在する場合には、ラベルエラーの後方分布を計算する必要がある。
共分散をKac-Murdock-Szeg\"{o} (KMS) 行列で構成したガウス分布を用いて、隣接画素間のラベル誤差の相関を表現し、計算課題を解決する。
複数のセグメンテーションタスクの実験を通じて、ラベルエラーの空間的相関を活用することにより、性能が著しく向上することを確認した。
特に,肺のセグメンテーションなどの特定のタスクにおいて,中等度雑音下でのクリーンラベルによるトレーニングに匹敵する性能を実現する。
コードはhttps://github.com/pfnet-research/Bayesian_SpatialCorr.comで公開されている。
関連論文リスト
- Label Distribution Learning with Biased Annotations by Learning Multi-Label Representation [120.97262070068224]
マルチラベル学習(MLL)は,実世界のデータ表現能力に注目されている。
ラベル分布学習(LDL)は正確なラベル分布の収集において課題に直面している。
論文 参考訳（メタデータ） (2025-02-03T09:04:03Z) - Sequential Harmful Shift Detection Without Labels [18.465525086385284]
本研究では,継続的生産環境における機械学習モデルの性能に悪影響を及ぼす分散シフトを検出する新しい手法を提案する。
Podkopaev と Ramdas [2022] の作業の上に構築されている。
私たちのソリューションはこのフレームワークを拡張して、真のエラーに対してプロキシを使用することで、ラベルのない動作を可能にします。
論文 参考訳（メタデータ） (2024-12-17T13:37:48Z) - Inaccurate Label Distribution Learning with Dependency Noise [52.08553913094809]
本稿では,依存雑音に基づく不正確なラベル分布学習(DN-ILDL)フレームワークを導入し,ラベル分布学習におけるノイズによる課題に対処する。
本稿では,DN-ILDLがILDL問題に効果的に対処し,既存のLCL法より優れていることを示す。
論文 参考訳（メタデータ） (2024-05-26T07:58:07Z) - Learning to Segment from Noisy Annotations: A Spatial Correction
Approach [12.604673584405385]
ノイズラベルはディープニューラルネットワーク(DNN)の性能に大きく影響する
空間相関とバイアスの両方をエンコードするセグメンテーションノイズアノテーションのための新しいマルコフモデルを提案する。
提案手法は, 合成および実世界のノイズアノテーションにおいて, 最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2023-07-21T00:27:40Z) - Estimating label quality and errors in semantic segmentation data via
any model [19.84626033109009]
ラベル品質を評価する手法について検討し、最も低いスコアのイメージを正しくラベル付けする可能性が低いことを示す。
これにより、高品質なトレーニング/評価データセットを保証するために、レビューするデータを優先順位付けすることが可能になる。
論文 参考訳（メタデータ） (2023-07-11T07:29:09Z) - All Points Matter: Entropy-Regularized Distribution Alignment for
Weakly-supervised 3D Segmentation [67.30502812804271]
擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。
本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
論文 参考訳（メタデータ） (2023-05-25T08:19:31Z) - Dist-PU: Positive-Unlabeled Learning from a Label Distribution
Perspective [89.5370481649529]
本稿では,PU学習のためのラベル分布視点を提案する。
そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。
提案手法の有効性を3つのベンチマークデータセットで検証した。
論文 参考訳（メタデータ） (2022-12-06T07:38:29Z) - Label distribution learning via label correlation grid [9.340734188957727]
ラベル関係の不確かさをモデル化するための textbfLabel textbfCorrelation textbfGrid (LCG) を提案する。
我々のネットワークはLCGを学習し、各インスタンスのラベル分布を正確に推定する。
論文 参考訳（メタデータ） (2022-10-15T03:58:15Z) - Automated Detection of Label Errors in Semantic Segmentation Datasets via Deep Learning and Uncertainty Quantification [5.279257531335345]
ピクセルワイドラベルを用いたセマンティックセグメンテーションデータセットにおけるラベル誤り検出手法を初めて提案する。
提案手法では,誤検出回数を制御しながら,ラベルエラーの大部分を検出することができる。
論文 参考訳（メタデータ） (2022-07-13T10:25:23Z) - Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。
分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。
本手法は精度と不確実性の両方を向上することを示す。
論文 参考訳（メタデータ） (2021-09-27T01:09:08Z) - Improving Face Recognition by Clustering Unlabeled Faces in the Wild [77.48677160252198]
極値理論に基づく新しいアイデンティティ分離法を提案する。
重なり合うラベルノイズによる問題を大幅に低減する。
制御された設定と実際の設定の両方の実験は、我々のメソッドの一貫性のある改善を示している。
論文 参考訳（メタデータ） (2020-07-14T12:26:50Z)
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。