論文の概要: Exploring Non-contrastive Self-supervised Representation Learning for Image-based Profiling
- arxiv url: http://arxiv.org/abs/2506.14265v1
- Date: Tue, 17 Jun 2025 07:25:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-18 17:34:59.37972
- Title: Exploring Non-contrastive Self-supervised Representation Learning for Image-based Profiling
- Title（参考訳）: 画像に基づくプロファイリングのための非コントラスト型自己教師型表現学習の探索
- Authors: Siran Dai, Qianqian Xu, Peisong Wen, Yang Liu, Qingming Huang,
- Abstract要約: SSLProfilerは、セルプロファイリング用に特別に設計された非コントラストSSLフレームワークである。
本稿では,セル画像に適したデータ拡張と表現後処理手法を提案する。
これらの改善により、SSLProfilerはCVPR 2025でCell Line Transferabilityで優勝した。
- 参考スコア（独自算出の注目度）: 80.09819072780193
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image-based cell profiling aims to create informative representations of cell images. This technique is critical in drug discovery and has greatly advanced with recent improvements in computer vision. Inspired by recent developments in non-contrastive Self-Supervised Learning (SSL), this paper provides an initial exploration into training a generalizable feature extractor for cell images using such methods. However, there are two major challenges: 1) There is a large difference between the distributions of cell images and natural images, causing the view-generation process in existing SSL methods to fail; and 2) Unlike typical scenarios where each representation is based on a single image, cell profiling often involves multiple input images, making it difficult to effectively combine all available information. To overcome these challenges, we propose SSLProfiler, a non-contrastive SSL framework specifically designed for cell profiling. We introduce specialized data augmentation and representation post-processing methods tailored to cell images, which effectively address the issues mentioned above and result in a robust feature extractor. With these improvements, SSLProfiler won the Cell Line Transferability challenge at CVPR 2025.
- Abstract（参考訳）: 画像に基づく細胞プロファイリングは、細胞画像の情報表現を作成することを目的としている。
この技術は薬物発見に重要であり、コンピュータビジョンの最近の進歩と共に大きく進歩している。
本稿では,非コントラスト型自己監督学習(SSL)の最近の発展に触発されて,このような手法を用いて,セル画像のための一般化可能な特徴抽出器の訓練を行う。
しかし、大きな課題は2つある。
1) 細胞画像と自然画像の分布には大きな違いがあり、既存のSSLメソッドのビュー生成プロセスが失敗する原因となっている。
2) 各表現が1つの画像に基づいている典型的なシナリオとは異なり、セルプロファイリングは複数の入力画像を含むことが多く、利用可能な全ての情報を効果的に組み合わせることが困難である。
これらの課題を克服するために,我々は,セルプロファイリングに特化した非コントラストSSLフレームワークであるSSLProfilerを提案する。
本稿では,セルイメージに適した特殊データ拡張と表現後処理手法を導入し,上記の問題を効果的に解決し,ロバストな特徴抽出装置を実現する。
これらの改善により、SSLProfilerはCVPR 2025でCell Line Transferabilityで優勝した。
関連論文リスト
- MaskedCLIP: Bridging the Masked and CLIP Space for Semi-Supervised Medical Vision-Language Pre-training [27.35164449801058]
State-of-the-artメソッドは、視覚言語による事前学習によるペア画像テキストデータと、自己教師付き事前学習による未ペア画像データの両方を活用して基礎モデルを学ぶ。
そこで我々は,相乗的マスク付き画像モデリングとコントラスト言語画像事前学習フレームワークMaskedCLIPを提案する。
論文 参考訳（メタデータ） (2025-07-23T06:15:54Z) - MIRAM: Masked Image Reconstruction Across Multiple Scales for Breast Lesion Risk Prediction [2.0199924721373392]
Masked Image Modeling (MIM) はより強力なSSL技術として登場した。
本稿では,より困難なプリテキストタスクを中心に,スケーラブルで実用的なSSLアプローチを提案する。
我々の仮説は、高解像度画像の再構成により、より微細な空間的詳細に対応することができるというものである。
論文 参考訳（メタデータ） (2025-03-10T10:32:55Z) - Discriminative Image Generation with Diffusion Models for Zero-Shot Learning [53.44301001173801]
ゼロショット学習のための新たな識別画像生成フレームワークであるDIG-ZSLを提案する。
我々は、事前学習されたカテゴリー識別モデル(CDM)の指導のもと、各未確認クラスの識別クラストークン(DCT)を学習する。
本稿では,4つのデータセットに対する広範な実験と可視化を行い,(1)多彩で高品質な画像を生成すること,(2)最先端の非人間アノテーション型セマンティックプロトタイプ手法を大きなマージンで上回ること,(3)人間アノテーションを利用したベースラインよりも同等あるいは優れた性能を実現すること,の4つが示される。
論文 参考訳（メタデータ） (2024-12-23T02:18:54Z) - Gen-SIS: Generative Self-augmentation Improves Self-supervised Learning [52.170253590364545]
Gen-SISは、ラベルのない画像データにのみ訓練された拡散ベースの拡張技術である。
これらの自己増強、すなわちバニラSSLエンコーダの埋め込みに基づく生成増強は、より強力なSSLエンコーダのトレーニングを促進することを示す。
論文 参考訳（メタデータ） (2024-12-02T16:20:59Z) - CricaVPR: Cross-image Correlation-aware Representation Learning for Visual Place Recognition [73.51329037954866]
視覚的位置認識のための画像間相関認識を用いたロバストなグローバル表現手法を提案する。
本手法では,バッチ内の複数の画像の相関にアテンション機構を用いる。
本手法は,訓練時間を大幅に短縮し,最先端の手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2024-02-29T15:05:11Z) - Learned representation-guided diffusion models for large-image generation [58.192263311786824]
自己教師型学習(SSL)からの埋め込みを条件とした拡散モデルを訓練する新しいアプローチを導入する。
我々の拡散モデルは、これらの特徴を高品質な病理組織学およびリモートセンシング画像に投影することに成功した。
実画像のバリエーションを生成して実データを増やすことにより、パッチレベルおよび大規模画像分類タスクの下流精度が向上する。
論文 参考訳（メタデータ） (2023-12-12T14:45:45Z) - ProS: Facial Omni-Representation Learning via Prototype-based
Self-Distillation [22.30414271893046]
ProS(Prototype-based Self-Distillation)は、教師なし顔表現学習のための新しいアプローチである。
ProSは2つの視覚変換器(教師と生徒のモデル)で構成されており、異なるイメージで訓練されている。
ProSは、フルおよび数ショット設定の両方で、さまざまなタスクで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-11-03T14:10:06Z) - GenSelfDiff-HIS: Generative Self-Supervision Using Diffusion for Histopathological Image Segmentation [5.049466204159458]
自己教師付き学習(SSL)は、注釈のないデータのみを利用するモデルを構築することで、いくつかの欠点を提供する代替パラダイムである。
本稿では,生成拡散モデルを用いて病理像をセグメント化するためのSSLアプローチを提案する。
本手法は,拡散モデルがセグメント化タスクに似た画像から画像への変換タスクを効果的に解くことに基づく。
論文 参考訳（メタデータ） (2023-09-04T09:49:24Z) - Zero-Shot Learning by Harnessing Adversarial Samples [52.09717785644816]
本稿では,HAS(Harnessing Adversarial Samples)によるZSL(Zero-Shot Learning)アプローチを提案する。
HASは3つの重要な側面を考慮に入れた敵の訓練を通じてZSLを前進させる。
本稿では,ZSLと一般化ゼロショット学習(GZSL)の両シナリオにおいて,敵対的サンプルアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2023-08-01T06:19:13Z) - SSiT: Saliency-guided Self-supervised Image Transformer for Diabetic
Retinopathy Grading [2.0790896742002274]
基礎画像から評価した糖尿病網膜症に対して, SSiT (Salliency-Guided Self-Supervised Image Transformer) が提案されている。
我々は、ドメイン固有の事前知識による自己教師付き事前学習の指導を目標として、SSLにサリエンシマップを新たに導入する。
論文 参考訳（メタデータ） (2022-10-20T02:35:26Z) - Unlabeled Data Guided Semi-supervised Histopathology Image Segmentation [34.45302976822067]
生成法に基づく半教師付き学習(SSL)は,多様な画像特性の活用に有効であることが証明されている。
非ラベルデータ分布を利用した病理組織像分割のための新しいデータガイド生成法を提案する。
本手法は腺および核データセット上で評価される。
論文 参考訳（メタデータ） (2020-12-17T02:54:19Z)
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。