論文の概要: AINet: Anchor Instances Learning for Regional Heterogeneity in Whole Slide Image
- arxiv url: http://arxiv.org/abs/2602.20187v1
- Date: Sat, 21 Feb 2026 09:36:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-25 17:34:53.450672
- Title: AINet: Anchor Instances Learning for Regional Heterogeneity in Whole Slide Image
- Title（参考訳）: AINet:全スライド画像における局所的不均一性学習のためのアンカーインスタンス
- Authors: Tingting Zheng, Hongxun Yao, Kui Jiang, Sicheng Zhao, Yi Xiao,
- Abstract要約: 本稿では,その地域(地域)に代表されるインスタンスのコンパクトなサブセットであるアンカーインスタンス(AI)の概念を導入し,バッグ(グローバル)レベルで識別する。
これらのAIは、地域間の相互作用をガイドする意味的な参照として機能し、地域多様性を維持しながら非差別的なパターンを修正する。
我々は、単純な予測器を使用し、FLOPやパラメータを著しく少なくした最先端の手法を超越した、簡潔で効果的なフレームワークであるAINetを開発した。
- 参考スコア（独自算出の注目度）: 61.54860340942449
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in multi-instance learning (MIL) have witnessed impressive performance in whole slide image (WSI) analysis. However, the inherent sparsity of tumors and their morphological diversity lead to obvious heterogeneity across regions, posing significant challenges in aggregating high-quality and discriminative representations. To address this, we introduce a novel concept of anchor instance (AI), a compact subset of instances that are representative within their regions (local) and discriminative at the bag (global) level. These AIs act as semantic references to guide interactions across regions, correcting non-discriminative patterns while preserving regional diversity. Specifically, we propose a dual-level anchor mining (DAM) module to \textbf{select} AIs from massive instances, where the most informative AI in each region is extracted by assessing its similarity to both local and global embeddings. Furthermore, to ensure completeness and diversity, we devise an anchor-guided region correction (ARC) module that explores the complementary information from all regions to \textbf{correct} each regional representation. Building upon DAM and ARC, we develop a concise yet effective framework, AINet, which employs a simple predictor and surpasses state-of-the-art methods with substantially fewer FLOPs and parameters. Moreover, both DAM and ARC are modular and can be seamlessly integrated into existing MIL frameworks, consistently improving their performance.
- Abstract（参考訳）: 近年のMIL(Multi-instance Learning)は,スライド画像全体(WSI)解析において顕著な性能を示した。
しかし、腫瘍の固有の間隔とその形態的多様性は、地域間で明らかな異質性をもたらし、高品質で差別的な表現を集約する上で重要な課題を生んでいる。
そこで本研究では,その領域(地域)内を代表するインスタンスのコンパクトなサブセットであるアンカーインスタンス(AI)を,バッグ(グローバル)レベルで識別可能な新しい概念として紹介する。
これらのAIは、地域間の相互作用をガイドする意味的な参照として機能し、地域多様性を維持しながら非差別的なパターンを修正する。
具体的には,局所的およびグローバルな埋め込みと類似性を評価することで,各領域で最も情報に富むAIを抽出する,大規模インスタンスからの‘textbf{select} AI’に対するデュアルレベルアンカーマイニング(DAM)モジュールを提案する。
さらに,完全性と多様性を確保するため,各地域表現に対して,各地域からの補完情報を探索するアンカー誘導領域補正(ARC)モジュールを考案した。
DAM と ARC をベースとして,単純な予測器を用いて,FLOP やパラメータが大幅に少ない最先端の手法を超越した,簡潔で効果的なフレームワーク AINet を開発した。
さらに、DAMとARCはどちらもモジュール化されており、既存のMILフレームワークにシームレスに統合され、パフォーマンスが一貫して改善されている。
関連論文リスト
- UAGLNet: Uncertainty-Aggregated Global-Local Fusion Network with Cooperative CNN-Transformer for Building Extraction [83.48950950780554]
リモートセンシング画像からの抽出は、複雑な構造変化のために難しい課題である。
既存の方法は、セグメンテーションモデルにおけるマルチスケール特徴をキャプチャするために、畳み込みブロックまたは自己アテンションブロックを使用する。
高品質なグローバルローカルなビジュアルセマンティクスを活用するために,不確実性集約型グローバルローカルフュージョンネットワーク(UAGLNet)を提案する。
論文 参考訳（メタデータ） (2025-12-15T02:59:16Z) - Segmenting and Understanding: Region-aware Semantic Attention for Fine-grained Image Quality Assessment with Large Language Models [15.08436609204683]
非参照画像品質評価(NR-IQA)は、人間の知覚に合わせた画像品質の知覚過程をシミュレートすることを目的としている。
領域レベルの歪み情報を統合し,多次元品質の相違を知覚する精細な画質評価モデル RSFIQA を提案する。
論文 参考訳（メタデータ） (2025-08-11T10:03:00Z) - Region-based Cluster Discrimination for Visual Representation Learning [30.79223671093668]
Region-Aware Cluster Discrimination (RICE)は、地域レベルの視覚とOCR機能を強化する新しい手法である。
RICEは、セグメンテーション、密集検知、視覚知覚など、タスクにおける従来の手法よりも一貫して優れている。
論文 参考訳（メタデータ） (2025-07-26T17:47:09Z) - DGMamba: Domain Generalization via Generalized State Space Model [80.82253601531164]
ドメイン一般化(DG)は、様々な場面における分散シフト問題を解決することを目的としている。
Mambaは、新興状態空間モデル(SSM)として、より優れた線形複雑性と大域的受容場を持つ。
本稿では,DGMamba という新たな DG フレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-11T14:35:59Z) - Region-aware Distribution Contrast: A Novel Approach to Multi-Task Partially Supervised Learning [50.88504784466931]
マルチタスク密度予測にはセマンティックセグメンテーション、深さ推定、表面正規推定が含まれる。
既存のソリューションは通常、グローバルなクロスタスク画像マッチングのためのグローバルなイメージ表現の学習に依存している。
本提案では,ガウス分布を用いた地域表現をモデル化する。
論文 参考訳（メタデータ） (2024-03-15T12:41:30Z) - RegionGPT: Towards Region Understanding Vision Language Model [88.42271128373191]
RegionGPT(RGPT)は、複雑な地域レベルのキャプションと理解のために設計された新しいフレームワークである。
我々は、詳細な地域レベルのキャプションを備えたトレーニングセットを充実させる、自動領域キャプションデータ生成パイプラインを開発する。
本研究では,領域レベルのタスクに対して,汎用的なRGPTモデルを効果的に適用し,性能を大幅に向上させることを実証する。
論文 参考訳（メタデータ） (2024-03-04T18:58:08Z) - Improving Anomaly Segmentation with Multi-Granularity Cross-Domain
Alignment [17.086123737443714]
異常セグメンテーションは、画像中の非定型物体を識別する上で重要な役割を担っている。
既存の手法は合成データに顕著な結果を示すが、合成データドメインと実世界のデータドメインの相違を考慮できないことが多い。
シーンと個々のサンプルレベルの両方で、ドメイン間の機能を調和させるのに適した、マルチグラニュラリティ・クロスドメインアライメントフレームワークを導入します。
論文 参考訳（メタデータ） (2023-08-16T22:54:49Z) - Region-Based Semantic Factorization in GANs [67.90498535507106]
本稿では,任意の画像領域についてGAN(Generative Adversarial Networks)が学習した潜在意味を分解するアルゴリズムを提案する。
適切に定義された一般化されたレイリー商を通して、アノテーションや訓練なしにそのような問題を解く。
様々な最先端のGANモデルに対する実験結果から,本手法の有効性が示された。
論文 参考訳（メタデータ） (2022-02-19T17:46:02Z) - Domain Adaptive Semantic Segmentation with Regional Contrastive
Consistency Regularization [19.279884432843822]
本稿では,領域適応型セマンティックセマンティックセグメンテーションのための局所コントラスト整合正規化(RCCR)と呼ばれる,新しいエンドツーエンドのトレーニング可能なアプローチを提案する。
私たちの中核となる考え方は、異なる画像の同じ位置から抽出された類似の地域的特徴を取り除き、その一方、2つの画像の異なる位置から特徴を分離することです。
論文 参考訳（メタデータ） (2021-10-11T11:45:00Z) - MLAN: Multi-Level Adversarial Network for Domain Adaptive Semantic
Segmentation [32.77436219094282]
本稿では,領域間不整合を大域画像レベルと局所領域レベルで最適に扱うことを目的とした,MLAN(Multi-level adversarial Network)を提案する。
MLANは2つの新しい設計、すなわち、地域レベルの対角学習(RL-AL)と共正規化された対角学習(CR-AL)を持つ。
広範な実験は、MLANが複数のデータセットにまたがる大きなマージンで最先端のものを上回ることを示しています。
論文 参考訳（メタデータ） (2021-03-24T05:13:23Z)
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。