論文の概要: DualFete: Revisiting Teacher-Student Interactions from a Feedback Perspective for Semi-supervised Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2511.09319v1
- Date: Thu, 13 Nov 2025 01:46:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-13 22:34:54.51743
- Title: DualFete: Revisiting Teacher-Student Interactions from a Feedback Perspective for Semi-supervised Medical Image Segmentation
- Title（参考訳）: DualFete:半教師型医用画像セグメンテーションのフィードバックの視点から教師と学生のインタラクションを再考する
- Authors: Le Yi, Wei Huang, Lei Zhang, Kefu Zhao, Yan Wang, Zizhou Wang,
- Abstract要約: 本研究は,教師が学習するフレームワークにフィードバック機構を導入し,誤りの再確認に対処する。
この相互作用は、学生の更新をトリガーする擬似ラベルを指定するフィードバック属性と、このフィードバックをどこに適用すべきかを決定するフィードバックレシーバーの2つの重要な要素に基づいている。
これに基づいて、フィードバックループをよりダイナミックにし、より多くの利得を育むことができるデュアル教師フィードバックモデルがさらに提案されている。
- 参考スコア（独自算出の注目度）: 12.629975999398303
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The teacher-student paradigm has emerged as a canonical framework in semi-supervised learning. When applied to medical image segmentation, the paradigm faces challenges due to inherent image ambiguities, making it particularly vulnerable to erroneous supervision. Crucially, the student's iterative reconfirmation of these errors leads to self-reinforcing bias. While some studies attempt to mitigate this bias, they often rely on external modifications to the conventional teacher-student framework, overlooking its intrinsic potential for error correction. In response, this work introduces a feedback mechanism into the teacher-student framework to counteract error reconfirmations. Here, the student provides feedback on the changes induced by the teacher's pseudo-labels, enabling the teacher to refine these labels accordingly. We specify that this interaction hinges on two key components: the feedback attributor, which designates pseudo-labels triggering the student's update, and the feedback receiver, which determines where to apply this feedback. Building on this, a dual-teacher feedback model is further proposed, which allows more dynamics in the feedback loop and fosters more gains by resolving disagreements through cross-teacher supervision while avoiding consistent errors. Comprehensive evaluations on three medical image benchmarks demonstrate the method's effectiveness in addressing error propagation in semi-supervised medical image segmentation.
- Abstract（参考訳）: 教師-学生パラダイムは、半教師付き学習における標準的枠組みとして登場した。
医用画像のセグメンテーションに適用すると、このパラダイムは固有の画像の曖昧さによる課題に直面し、特に誤った監督に弱い。
重要なことに、学生の反復的な再確認は、自己強化バイアスにつながる。
このバイアスを緩和しようとする研究もあるが、従来の教師・学生の枠組みに外的修正を頼りにしており、本来の誤り訂正の可能性を見越している。
本研究は, 教師・学生の枠組みにフィードバック機構を導入し, 誤りの再確認に対処する。
ここでは、教師の擬似ラベルによる変化に対するフィードバックを提供し、教師がそれらのラベルを改良できるようにする。
この相互作用は、学生の更新をトリガーする擬似ラベルを指定するフィードバック属性と、このフィードバックをどこに適用すべきかを決定するフィードバックレシーバーの2つの重要な要素に基づいている。
これに基づいて、二重教師フィードバックモデルがさらに提案され、フィードバックループをよりダイナミックにし、教師間の監督を通じて不一致を解消し、一貫したエラーを回避し、より多くの利益を得られるようになった。
3つの医用画像ベンチマークの総合的評価は、半教師付き医用画像セグメンテーションにおける誤り伝播に対処する手法の有効性を示す。
関連論文リスト
- Adaptive Knowledge Transferring with Switching Dual-Student Framework for Semi-Supervised Medical Image Segmentation [11.625763201387771]
教師と学生のフレームワークは、半教師付き医療画像セグメンテーションにおける主要なアプローチとして現れてきた。
本稿では,各イテレーションで最も信頼性の高い学生を戦略的に選別する,新しいDual-Studentアーキテクチャを提案する。
また,教師が学生から有意義な情報を吸収することを動的に保証するために,Los-Aware Exponential moving Averageという戦略を導入する。
論文 参考訳（メタデータ） (2025-10-28T12:42:33Z) - RoboView-Bias: Benchmarking Visual Bias in Embodied Agents for Robotic Manipulation [67.38036090822982]
ロボット操作における視覚バイアスの定量化を目的とした,最初のベンチマークであるRoboView-Biasを提案する。
我々は、個々の視覚的要因とその相互作用によって引き起こされるバイアスの堅牢な測定を可能にする2,127のタスクインスタンスを作成します。
本研究は,視覚バイアスの系統的解析が,安全で信頼性の高い汎用的なエンボディエージェントの開発に必須であることを示す。
論文 参考訳（メタデータ） (2025-09-26T13:53:25Z) - Dual-Teacher Ensemble Models with Double-Copy-Paste for 3D Semi-Supervised Medical Image Segmentation [31.460549289419923]
半教師付き学習(SSL)技術は、3次元医用画像セグメンテーションの高ラベリングコストに対処する。
本稿では,サンプルの特性に基づいて異なるアンサンブル法を選択するSSE(Staged Selective Ensemble)モジュールを提案する。
3次元医用画像分割作業における提案手法の有効性を実験的に検証した。
論文 参考訳（メタデータ） (2024-10-15T11:23:15Z) - Stepwise Verification and Remediation of Student Reasoning Errors with Large Language Model Tutors [78.53699244846285]
大規模言語モデル(LLM)は、高品質なパーソナライズされた教育を全員に拡大する機会を提供する。
LLMは、学生のエラーを正確に検知し、これらのエラーに対するフィードバックを調整するのに苦労する。
教師が学生の誤りを識別し、それに基づいて回答をカスタマイズする現実世界の教育実践に触発され、我々は学生ソリューションの検証に焦点をあてる。
論文 参考訳（メタデータ） (2024-07-12T10:11:40Z) - Alternate Diverse Teaching for Semi-supervised Medical Image Segmentation [62.021828104757745]
そこで我々は,教師-学生の枠組みにおける多様な教育手法であるAD-MTを提案する。
一人の生徒モデルと2つの訓練不可能な教師モデルがあり、それは定期的に、ランダムに、別の方法で、モーメントを更新する。
論文 参考訳（メタデータ） (2023-11-29T02:44:54Z) - Improving the Robustness of Distantly-Supervised Named Entity Recognition via Uncertainty-Aware Teacher Learning and Student-Student Collaborative Learning [24.733773208117363]
自己学習段階における偽ラベルの誤りを減らすために,不確かさを意識した教師学習を提案する。
また、2つの学生ネットワーク間で信頼性の高いラベルを転送できる学生・学生協調学習を提案する。
提案手法を5つのDS-NERデータセット上で評価し,提案手法が最先端のDS-NER手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-11-14T09:09:58Z) - Switching Temporary Teachers for Semi-Supervised Semantic Segmentation [45.20519672287495]
半教師付きセマンティックセグメンテーションで一般的な教師/学生のフレームワークは、主に指数的移動平均(EMA)を用いて、学生の量に基づいて教師の重みを更新する。
本稿では,学生のカップリング問題を軽減するために,2つの臨時教員を兼ねた,シンプルで効果的な方法であるデュアル教師を紹介する。
論文 参考訳（メタデータ） (2023-10-28T08:49:16Z) - On student-teacher deviations in distillation: does it pay to disobey? [54.908344098305804]
知識蒸留は「学生」ネットワークのテスト精度を向上させるために広く用いられている。
教師の確率に合うように訓練されているにもかかわらず、生徒は教師の確率から大きく逸脱するだけでなく、パフォーマンスにおいて教師を上回ることもある。
論文 参考訳（メタデータ） (2023-01-30T14:25:02Z) - Distantly-Supervised Named Entity Recognition with Adaptive Teacher
Learning and Fine-grained Student Ensemble [56.705249154629264]
NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。
本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。
微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
論文 参考訳（メタデータ） (2022-12-13T12:14:09Z)
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。