論文の概要: Exemplar Diffusion: Improving Medical Object Detection with Opportunistic Labels

• arxiv url: http://arxiv.org/abs/2603.15267v1
• Date: Mon, 16 Mar 2026 13:36:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.319985
• Title: Exemplar Diffusion: Improving Medical Object Detection with Opportunistic Labels
• Title（参考訳）: Exemplar Diffusion:オポチュニティラベルによる医学的対象検出の改善
• Authors: Victor Wåhlstrand, Jennifer Alvén, Ida Häggström,
• Abstract要約: 医用画像における物体検出性能を向上させるために,textitexemplars と呼ばれる既存のラベルを推論時に活用するためのフレームワークを提案する。 この手法は、既存のオブジェクト検出拡散法を利用して、テスト時に既知の境界ボックスの情報を追加するトレーニング不要なアプローチを可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present a framework to take advantage of existing labels at inference, called \textit{exemplars}, in order to improve the performance of object detection in medical images. The method, \textit{exemplar diffusion}, leverages existing diffusion methods for object detection to enable a training-free approach to adding information of known bounding boxes at test time. We demonstrate that for medical image datasets with clear spatial structure, the method yields an across-the-board increase in average precision and recall, and a robustness to exemplar quality, enabling non-expert annotation. Moreover, we demonstrate how our method may also be used to quantify predictive uncertainty in diffusion detection methods. Source code and data splits openly available online: https://github.com/waahlstrand/ExemplarDiffusion
• Abstract（参考訳）: 医用画像のオブジェクト検出性能を向上させるため,既存のラベルを推論時に活用するフレームワークであるtextit{exemplars} を提案する。 このメソッドは既存の拡散法を利用してオブジェクト検出を行い、テスト時に既知のバウンディングボックスの情報を追加するためのトレーニング不要のアプローチを可能にする。 本研究では, 空間的構造が明確である医療画像データセットに対して, 平均精度とリコールが向上し, 精度が向上し, 非専門的アノテーションが実現できることを実証する。 さらに,拡散検出法における予測不確かさを定量化するために,本手法を用いる方法を示す。 ソースコードとデータはオンラインで公開されている。 https://github.com/waahlstrand/ExemplarDiffusion

関連論文リスト

• Probabilistic Label Spreading: Efficient and Consistent Estimation of Soft Labels with Epistemic Uncertainty on Graphs [4.480864309234644]
  本稿では,ラベルの不確かさを推定する確率的ラベル拡散手法を提案する。 データポイントあたりのアノテーションの数が0に収束しても、ラベルの拡散が一貫した確率推定器が得られることを示す。 実験結果から,本手法はベースラインと比較して,所望のラベル品質を実現するために必要なアノテーション予算を大幅に削減することが示された。
  論文  参考訳（メタデータ） (2026-02-04T14:00:30Z)
• Weakly Supervised Virus Capsid Detection with Image-Level Annotations in Electron Microscopy Images [9.770605774974847]
  オブジェクト検出のための現在の最先端の手法は、トレーニングのために巨大なデータセットの注釈付きバウンディングボックスに依存している。 本稿では,画像レベルのアノテーションのみに依存する,ドメイン固有の弱教師付きオブジェクト検出アルゴリズムを提案する。 本手法は、画像中のウイルスの有無を予測するタスクにおいて、事前訓練されたモデルの知識を蒸留し、擬似ラベルのセットを得る。
  論文  参考訳（メタデータ） (2025-08-01T12:02:25Z)
• Robust Noisy Pseudo-label Learning for Semi-supervised Medical Image Segmentation Using Diffusion Model [5.158113225132093]
  半教師付き医用画像セグメンテーションは、限られた注釈付きデータと豊富なラベルなしデータを利用して正確なセグメンテーションを実現することを目的としている。 既存の手法は、擬似ラベルが導入したノイズにより、潜在空間における意味分布を構成するのにしばしば苦労する。 提案手法は,プロトタイプに基づくコントラッシブコントラストの整合性を強制することにより,意味ラベルの遅延構造に制約を導入する。
  論文  参考訳（メタデータ） (2025-07-22T10:21:55Z)
• TextSleuth: Towards Explainable Tampered Text Detection [49.88698441048043]
  本稿では,大規模なマルチモーダルモデルを用いて,自然言語による改ざんテキスト検出の基礎を説明する。 このタスクのデータギャップを埋めるため,大規模な包括的データセットETTDを提案する。 GPT4oで高品質な異常記述を生成するために、共同クエリが導入された。 低品質なアノテーションを自動的にフィルタリングするために、GPT4oに改ざんされたテキストを認識するよう促すことも提案する。
  論文  参考訳（メタデータ） (2024-12-19T13:10:03Z)
• Automatic Image Annotation for Mapped Features Detection [6.300346102366891]
  道路機能は、自動運転とローカライゼーションの鍵となる。 現代のディープラーニングに基づく知覚システムは、大量の注釈付きデータを必要とする。 本稿では,画像中の3つの自動アノテーション手法の融合について考察する。
  論文  参考訳（メタデータ） (2024-12-11T09:06:52Z)
• Diffusing More Objects for Semi-Supervised Domain Adaptation with Less Labeling [2.941832525496685]
  物体検出では、境界ボックスの予測を逆拡散過程として見ることができる。 拡散モデルを用いて、ランダムバウンディングボックスは、画像に条件付けされた復調ステップで反復的に洗練される。 本稿では、ランダムなバウンディングボックスで各実行を起動し、わずかに異なる予測を組み合わせるアキュムレータ関数を提案する。
  論文  参考訳（メタデータ） (2023-12-19T09:47:18Z)
• Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
  本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。 提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。 提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上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） (2023-07-20T15:21:28Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• SparseDet: Improving Sparsely Annotated Object Detection with Pseudo-positive Mining [76.95808270536318]
  Pseudo- positive mining を用いてラベル付き地域とラベルなし地域を分離するエンド・ツー・エンドシステムを提案する。 ラベル付き領域は通常通り処理されるが、ラベルなし領域の処理には自己教師付き学習が使用される。 我々は,PASCAL-VOCとCOCOデータセットの5つの分割に対して,最先端の性能を達成するための徹底的な実験を行った。
  論文  参考訳（メタデータ） (2022-01-12T18:57:04Z)

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。