論文の概要: CONSIGN: Conformal Segmentation Informed by Spatial Groupings via Decomposition
- arxiv url: http://arxiv.org/abs/2505.14113v1
- Date: Tue, 20 May 2025 09:19:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-21 14:49:52.963371
- Title: CONSIGN: Conformal Segmentation Informed by Spatial Groupings via Decomposition
- Title（参考訳）: CONSIGN:分解による空間グルーピングによるコンフォーマルセグメンテーション
- Authors: Bruno Viti, Elias Karabelas, Martin Holler,
- Abstract要約: ほとんどの機械学習ベースのイメージセグメンテーションモデルは、各ピクセルにおける各クラスラベルの予測確率を表す画素単位の信頼スコアを生成する。
コンフォーマル予測(CP)は、信頼度スコアを統計的に妥当な不確実性推定に変換するための原則的な枠組みを提供する。
画像の不確実性推定に空間相関を組み込んだCONSIGNを提案する。
- 参考スコア（独自算出の注目度）: 0.4824712374302054
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most machine learning-based image segmentation models produce pixel-wise confidence scores - typically derived from softmax outputs - that represent the model's predicted probability for each class label at every pixel. While this information can be particularly valuable in high-stakes domains such as medical imaging, these (uncalibrated) scores are heuristic in nature and do not constitute rigorous quantitative uncertainty estimates. Conformal prediction (CP) provides a principled framework for transforming heuristic confidence scores into statistically valid uncertainty estimates. However, applying CP directly to image segmentation ignores the spatial correlations between pixels, a fundamental characteristic of image data. This can result in overly conservative and less interpretable uncertainty estimates. To address this, we propose CONSIGN (Conformal Segmentation Informed by Spatial Groupings via Decomposition), a CP-based method that incorporates spatial correlations to improve uncertainty quantification in image segmentation. Our method generates meaningful prediction sets that come with user-specified, high-probability error guarantees. It is compatible with any pre-trained segmentation model capable of generating multiple sample outputs - such as those using dropout, Bayesian modeling, or ensembles. We evaluate CONSIGN against a standard pixel-wise CP approach across three medical imaging datasets and two COCO dataset subsets, using three different pre-trained segmentation models. Results demonstrate that accounting for spatial structure significantly improves performance across multiple metrics and enhances the quality of uncertainty estimates.
- Abstract（参考訳）: ほとんどの機械学習ベースのイメージセグメンテーションモデルは、各ピクセルにおける各クラスラベルの予測確率を表す画素単位の信頼スコア(通常はソフトマックス出力に由来する)を生成する。
この情報は医用画像などの高感度領域では特に有用であるが、これらの(校正されていない)スコアは本質的にヒューリスティックであり、厳密な量的不確実性評価を構成していない。
コンフォーマル予測(CP)は、ヒューリスティックな信頼度スコアを統計的に妥当な不確実性推定に変換するための原則的な枠組みを提供する。
しかし,画像分割にCPを直接適用することは,画像データの基本的な特徴である画素間の空間的相関を無視する。
これは過度に保守的であり、解釈不可能な不確実性推定をもたらす。
画像分割における不確実性定量化を改善するために空間相関を組み込んだCP手法であるCONSIGN(Conformal Segmentation Informed by Spatial Groupings via Decomposition)を提案する。
提案手法は,ユーザの特定した高確率エラー保証を伴う有意義な予測セットを生成する。
これは、ドロップアウト、ベイズモデリング、アンサンブルなど、複数のサンプル出力を生成することができる事前訓練されたセグメンテーションモデルと互換性がある。
CONSIGNは3つの医用画像データセットと2つのCOCOデータセットサブセットにまたがる標準的なCPアプローチに対して,3つの異なる事前訓練セグメンテーションモデルを用いて評価する。
その結果,空間構造を考慮に入れることで,複数の指標間の性能が著しく向上し,不確実性評価の品質が向上することがわかった。
関連論文リスト
- PCF-Lift: Panoptic Lifting by Probabilistic Contrastive Fusion [80.79938369319152]
我々は,PCF(Probabilis-tic Contrastive Fusion)に基づくPCF-Liftという新しいパイプラインを設計する。
私たちのPCFリフトは、ScanNetデータセットやMessy Roomデータセット(シーンレベルのPQが4.4%改善)など、広く使用されているベンチマークにおいて、最先端の手法よりも大幅に優れています。
論文 参考訳（メタデータ） (2024-10-14T16:06:59Z) - Hierarchical Uncertainty Estimation for Medical Image Segmentation
Networks [1.9564356751775307]
不確実性は、モデルトレーニングに使用される画像(ノイズ)と手動アノテーション(ヒューマンエラーとバイアス)の両方に存在する。
本稿では,複数のレベルで不確かさを推定する簡易かつ効果的な手法を提案する。
U-netのようなディープラーニングセグメンテーションネットワークは,高いセグメンテーション性能を実現することができることを示す。
論文 参考訳（メタデータ） (2023-08-16T16:09:23Z) - NP-SemiSeg: When Neural Processes meet Semi-Supervised Semantic
Segmentation [87.50830107535533]
半教師付きセマンティックセグメンテーションでは、トレーニング時にピクセルワイズラベルをラベル付けされていない画像に割り当てる。
モデルによるクラスワイズ確率分布から各画素の擬似ラベルを予測し,半教師付きセマンティックセマンティックセマンティクスへのアプローチ
本研究では,NPを半教師付きセマンティックセグメンテーションに適応させることにより一歩前進し,NP-SemiSegと呼ばれる新しいモデルを実現する。
論文 参考訳（メタデータ） (2023-08-05T12:42:15Z) - Modeling Multimodal Aleatoric Uncertainty in Segmentation with Mixture
of Stochastic Expert [24.216869988183092]
入力画像にあいまいさが存在する場合、セグメンテーションにおけるデータ独立不確実性(いわゆるアレタリック不確実性)を捉えることに重点を置いている。
本稿では,各専門家ネットワークがアレータティック不確実性の異なるモードを推定する,新しい専門家モデル(MoSE)を提案する。
We developed a Wasserstein-like loss that makes direct minimizes the distribution distance between the MoSE and ground truth annotations。
論文 参考訳（メタデータ） (2022-12-14T16:48:21Z) - Transformer-based out-of-distribution detection for clinically safe
segmentation [1.649654992058168]
臨床環境では、デプロイされた画像処理システムが確実に間違った予測をしないことが不可欠である。
本研究では,画像分割に着目し,ネットワークの不確実性に対するいくつかのアプローチを評価する。
本稿では,VQ-GANを用いたフル3次元OOD検出を行い,圧縮された画像の潜時表現と変換器を用いてデータ確率を推定する手法を提案する。
論文 参考訳（メタデータ） (2022-05-21T17:55:09Z) - Trustworthy Medical Segmentation with Uncertainty Estimation [0.7829352305480285]
本稿では,セグメンテーションニューラルネットワークにおける不確実性定量化のための新しいベイズディープラーニングフレームワークを提案する。
我々は磁気共鳴イメージングとCTによる医用画像分割データについて検討した。
複数のベンチマークデータセットに対する実験により,提案するフレームワークは,最先端セグメンテーションモデルと比較して,ノイズや敵攻撃に対してより堅牢であることが示された。
論文 参考訳（メタデータ） (2021-11-10T22:46:05Z) - Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical
Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。
現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文 参考訳（メタデータ） (2021-10-17T08:49:33Z) - PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。
我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。
提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
論文 参考訳（メタデータ） (2021-09-28T17:56:41Z) - ITSELF: Iterative Saliency Estimation fLexible Framework [68.8204255655161]
機密度オブジェクト検出は、画像で最も顕著なオブジェクトを推定する。
我々は,ユーザ定義の仮定をモデルに追加できる,スーパーピクセルベースのITELF(ITSELF)を提案する。
ITSELFを5つのメトリクスと6つのデータセットで2つの最先端の精度推定器と比較する。
論文 参考訳（メタデータ） (2020-06-30T16:51:31Z)
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。