論文の概要: Dual-level Fuzzy Learning with Patch Guidance for Image Ordinal Regression

• arxiv url: http://arxiv.org/abs/2505.05834v1
• Date: Fri, 09 May 2025 07:01:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.18011
• Title: Dual-level Fuzzy Learning with Patch Guidance for Image Ordinal Regression
• Title（参考訳）: Patch Guidance を用いた2段階ファジィ学習による画像正規化
• Authors: Chunlai Dong, Haochao Ying, Qibo Qiu, Jinhong Wang, Danny Chen, Jian Wu,
• Abstract要約: 通常の回帰は、オブジェクトを順序付けられたクラスに割り当てることで、回帰と分類を橋渡しする。 現在のアプローチは、画像レベルの順序ラベルのみの可用性によって制限されている。 本稿では,DFPG という名称の Patch Guidance フレームワークによる2段階ファジィ学習を提案する。
• 参考スコア（独自算出の注目度）: 8.538034422744005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ordinal regression bridges regression and classification by assigning objects to ordered classes. While human experts rely on discriminative patch-level features for decisions, current approaches are limited by the availability of only image-level ordinal labels, overlooking fine-grained patch-level characteristics. In this paper, we propose a Dual-level Fuzzy Learning with Patch Guidance framework, named DFPG that learns precise feature-based grading boundaries from ambiguous ordinal labels, with patch-level supervision. Specifically, we propose patch-labeling and filtering strategies to enable the model to focus on patch-level features exclusively with only image-level ordinal labels available. We further design a dual-level fuzzy learning module, which leverages fuzzy logic to quantitatively capture and handle label ambiguity from both patch-wise and channel-wise perspectives. Extensive experiments on various image ordinal regression datasets demonstrate the superiority of our proposed method, further confirming its ability in distinguishing samples from difficult-to-classify categories. The code is available at https://github.com/ZJUMAI/DFPG-ord.
• Abstract（参考訳）: 通常の回帰は、オブジェクトを順序付けられたクラスに割り当てることで、回帰と分類を橋渡しする。 人間の専門家は決定のために差別的なパッチレベル機能に頼っているが、現在のアプローチはイメージレベルのオーディナルラベルのみの可用性によって制限されており、きめ細かいパッチレベルの特徴を見落としている。 本稿では、不明瞭な順序ラベルから特徴に基づく正確なグレーディング境界を正確に学習し、パッチレベルの監視を行うDFPGという2段階ファジィ学習・パッチガイダンスフレームワークを提案する。 具体的には、画像レベルの順序ラベルのみを使用せずに、パッチレベルの機能にのみフォーカスできるように、パッチラベルとフィルタリング戦略を提案する。 さらに、ファジィ論理を利用した二段階ファジィ学習モジュールを設計し、パッチワイドおよびチャネルワイドの両方の観点からラベルのあいまいさを定量的にキャプチャし、処理する。 様々な画像順序回帰データセットに対する大規模な実験は,提案手法の優位性を示し,さらに,サンプルを分類が難しいカテゴリと区別する能力を確認した。 コードはhttps://github.com/ZJUMAI/DFPG-ord.comで公開されている。

関連論文リスト

• Visually Consistent Hierarchical Image Classification [37.80849457554078]
  階層分類は、例えば、粗いレベルの"Bird"から中レベルの"Hummingbird"から、細かいレベルの"Green hermit"まで、複数の分類のレベルにまたがるラベルを予測する。
  論文  参考訳（メタデータ） (2024-06-17T14:56:51Z)
• Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection [149.23913018423022]
  弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。 2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。 本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-08T05:53:53Z)
• Combining Metric Learning and Attention Heads For Accurate and Efficient Multilabel Image Classification [0.0]
  マルチラベル分類における2つの一般的なアプローチについて再検討する。 トランスフォーマーベースヘッドはグラフベースのブランチよりも優れた結果が得られると考えられるが、適切なトレーニング戦略により、グラフベースの手法はわずかに精度の低下を示すことができると論じる。
  論文  参考訳（メタデータ） (2022-09-14T12:06:47Z)
• Multiple Instance Learning with Mixed Supervision in Gleason Grading [19.314029297579577]
  本稿では,複数インスタンス学習フレームワークに基づく複合監視トランスフォーマを提案する。 このモデルは、スライドレベルラベルとインスタンスレベルラベルの両方を使用して、より正確なGleasonグレーディングをスライドレベルで達成する。 SICAPv2データセット上での最先端性能を実現し、視覚解析により、インスタンスレベルの正確な予測結果を示す。
  論文  参考訳（メタデータ） (2022-06-26T06:28:44Z)
• Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
  超高解像度画像のための混合監視学習フレームワークを提案する。 パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。 画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
  論文  参考訳（メタデータ） (2021-07-02T09:46:06Z)
• SPL-MLL: Selecting Predictable Landmarks for Multi-Label Learning [87.27700889147144]
  我々は、入力(予測可能)に応じて予測しやすく、他の可能なラベル(表現可能)をうまく回復できるランドマークとして、ラベルの小さなサブセットを選択することを提案する。 我々は,ADM(Alternating Direction Method)を用いてこの問題を解決する。実世界のデータセットに関する実証研究により,本手法が他の最先端手法よりも優れた分類性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-08-16T11:07:44Z)
• Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
  Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。 既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。 本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
  論文  参考訳（メタデータ） (2020-04-12T03:53:53Z)
• Structured Prediction with Partial Labelling through the Infimum Loss [85.4940853372503]
  弱い監督の目標は、収集コストの安いラベル付け形式のみを使用してモデルを学習できるようにすることである。 これは、各データポイントに対して、実際のものを含むラベルのセットとして、監督がキャストされる不完全なアノテーションの一種です。 本稿では、構造化された予測と、部分的なラベリングを扱うための無限損失の概念に基づく統一的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2020-03-02T13:59:41Z)

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。