論文の概要: Autoproof: Automated Segmentation Proofreading for Connectomics

• arxiv url: http://arxiv.org/abs/2509.26585v1
• Date: Tue, 30 Sep 2025 17:43:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:45:00.232856
• Title: Autoproof: Automated Segmentation Proofreading for Connectomics
• Title（参考訳）: 自動保護:コネトミクスのための自動セグメンテーション証明
• Authors: Gary B Huang, William M Katz, Stuart Berg, Louis Scheffer,
• Abstract要約: 本稿では,この手動アノテーションによって生成された地中真実データを用いて,機械学習モデルを学習し,必要な証明読解の部分を自動化するか,最適化する手法を提案する。 本システムでは,4年間の手作業に相当する20万個のフラグメントを自動アタッチでき,コネクトームの接続完了率を1.3%向上させることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Producing connectomes from electron microscopy (EM) images has historically required a great deal of human proofreading effort. This manual annotation cost is the current bottleneck in scaling EM connectomics, for example, in making larger connectome reconstructions feasible, or in enabling comparative connectomics where multiple related reconstructions are produced. In this work, we propose using the available ground-truth data generated by this manual annotation effort to learn a machine learning model to automate or optimize parts of the required proofreading workflows. We validate our approach on a recent complete reconstruction of the \emph{Drosophila} male central nervous system. We first show our method would allow for obtaining 90\% of the value of a guided proofreading workflow while reducing required cost by 80\%. We then demonstrate a second application for automatically merging many segmentation fragments to proofread neurons. Our system is able to automatically attach 200 thousand fragments, equivalent to four proofreader years of manual work, and increasing the connectivity completion rate of the connectome by 1.3\% points.
• Abstract（参考訳）: 電子顕微鏡(EM)画像からコネクトームを生成するには、歴史的に人間の証明に多くの努力が必要だった。 この手動アノテーションコストは、例えば、より大きなコネクトーム再構成の実現や、複数の関連する再構成が生成される比較コネクトミクスの実現において、EMコネクトミクスのスケーリングにおける現在のボトルネックとなっている。 そこで本研究では,この手動のアノテーションによって生成された基盤構造データを用いて,機械学習モデルを学習し,必要な証明読解ワークフローの一部を自動化あるいは最適化する手法を提案する。 近年の中枢神経系の完全再建について,本研究のアプローチを検証した。 まず,提案手法により,必要なコストを80%削減しつつ,ガイド付き証明読解ワークフローの90%の値が得られることを示す。 次に、多くのセグメンテーションフラグメントを自動マージして、証明可能なニューロンにマージするための第2の応用を実証する。 本システムでは,手作業4年間に相当する20万個のフラグメントを自動アタッチでき,コネクトームの接続完了率を1.3倍に向上させることができる。

関連論文リスト

• ABCD-LINK: Annotation Bootstrapping for Cross-Document Fine-Grained Links [57.514511353084565]
  我々は、最高のパフォーマンスのアプローチを選択し、文書間リンクに注釈を付けるための新しいドメインに依存しないフレームワークを提案する。 当社のフレームワークを2つの異なるドメイン – ピアレビューとニュース – に適用しています。 結果として得られた新しいデータセットは、メディアフレーミングやピアレビューなど、数多くのクロスドキュメントタスクの基礎を築いた。
  論文  参考訳（メタデータ） (2025-09-01T11:32:24Z)
• When Does Visual Prompting Outperform Linear Probing for Vision-Language Models? A Likelihood Perspective [57.05315507519704]
  本稿では,視覚的プロンプトと線形探索の利点を比較分析するために,ログ類似率(LLR)アプローチを提案する。 本測定は,最大で100倍の時間短縮が可能であり,予測精度は最大91%に達する。
  論文  参考訳（メタデータ） (2024-09-03T12:03:45Z)
• Restore Anything Model via Efficient Degradation Adaptation [129.38475243424563]
  RAMは、様々な劣化にまたがる固有の類似性を活用して、効率的で包括的な復元を可能にする統一された経路を取る。 RAMのSOTA性能はRAMのSOTA性能を確認し、トレーニング可能なパラメータで約82%、FLOPで約85%のモデルの複雑さを減少させる。
  論文  参考訳（メタデータ） (2024-07-18T10:26:53Z)
• Boosting Continual Learning of Vision-Language Models via Mixture-of-Experts Adapters [65.15700861265432]
  本稿では,視覚言語モデルを用いた漸進的学習における長期的忘れを緩和するパラメータ効率の連続学習フレームワークを提案する。 提案手法では,Mixture-of-Experts (MoE)アダプタの統合により,事前学習したCLIPモデルの動的拡張を行う。 視覚言語モデルのゼロショット認識能力を維持するために,分布判別オートセレクタを提案する。
  論文  参考訳（メタデータ） (2024-03-18T08:00:23Z)
• Optimizing Retrieval-augmented Reader Models via Token Elimination [30.53636918279251]
  我々は,検索した全てのパスが読者モデルの性能に与える影響と必要性を分析した。 提案手法は,実行時間を最大62.2%削減でき,性能は2%しか低下せず,場合によっては性能も向上することを示した。
  論文  参考訳（メタデータ） (2023-10-20T17:41:36Z)
• Semi-automatic staging area for high-quality structured data extraction from scientific literature [2.159250310404821]
  「我々のインターフェースは従来の手作業の修正に比べて精度の向上とリコールによってキュレーションの質を著しく向上させる。」 私たちの半自動的なアプローチは、学術文書のテキストデータマイニングによる信頼性の高いデータベースを実現するためのソリューションを提供するでしょう。
  論文  参考訳（メタデータ） (2023-09-19T20:53:13Z)
• Latent Iterative Refinement for Modular Source Separation [44.78689915209527]
  従来のソース分離アプローチは、すべてのデータを一度に利用できるように、ディープニューラルネットワークモデルをエンドツーエンドにトレーニングする。 我々は、トレーニングと推論の段階において、リソース効率を著しく向上させることができると論じる。
  論文  参考訳（メタデータ） (2022-11-22T00:02:57Z)
• RLCorrector: Reinforced Proofreading for Connectomics Image Segmentation [3.21359455541169]
  本稿では,強化学習に基づく完全自動校正手法を提案する。 主な考え方は、強化剤を用いた証明読解における人間の決定過程をモデル化することである。 提案手法を最先端の実証読解法と比較することにより,提案方式の有効性を実証する。
  論文  参考訳（メタデータ） (2021-06-10T04:02:41Z)
• Minimizing Labeling Effort for Tree Skeleton Segmentation using an Automated Iterative Training Methodology [4.574094598984042]
  意味的セグメンテーションのための畳み込みニューラルネットワークの訓練には、大量の人的努力が必要である。 ヒューマン・イン・ザ・ループ法はラベル付けの労力を減らすが、画像ごとに人間の介入を必要とする。 新しい-the-Loopメソッドは、人間のループと完全な手動ラベリング手法に匹敵する性能を保ちながら、ラベリングの労力を大幅に削減する。
  論文  参考訳（メタデータ） (2020-10-16T10:38:43Z)
• Bootstrapping Weakly Supervised Segmentation-free Word Spotting through HMM-based Alignment [0.5076419064097732]
  ボックスアノテーションを行わずに書き起こしを利用して単語スポッティングモデルを訓練する手法を提案する。 これは、隠れマルコフモデルに基づいたトレーニング不要アライメント手順によって行われる。 デジタル転写データは、すでに多くの関心を集めている部分に対して存在するので、より一般的な単語スポッティングの活用に向けた大きな進歩であると考えています。
  論文  参考訳（メタデータ） (2020-03-24T19:41:18Z)

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。