論文の概要: Learning Class Difficulty in Imbalanced Histopathology Segmentation via Dynamic Focal Attention

• arxiv url: http://arxiv.org/abs/2604.13479v1
• Date: Wed, 15 Apr 2026 05:06:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.390747
• Title: Learning Class Difficulty in Imbalanced Histopathology Segmentation via Dynamic Focal Attention
• Title（参考訳）: 動的焦点注意による非バランスな病理組織分類の学習困難度
• Authors: Lakmali Nadeesha Kumari, Sen-Ching Samson Cheung,
• Abstract要約: Dynamic Focal Attention (DFA)は、クエリベースのマスクデコーダのクロスアテンション内で、クラス固有の困難を学習する。 DFAは、DiceとIoUを3つの病理組織学的ベンチマークで継続的に改善している。
• 参考スコア（独自算出の注目度）: 0.34785805439031336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic segmentation of histopathology images under class imbalance is typically addressed through frequency-based loss reweighting, which implicitly assumes that rare classes are difficult. However, true difficulty also arises from morphological variability, boundary ambiguity, and contextual similarity-factors that frequency cannot capture. We propose Dynamic Focal Attention (DFA), a simple and efficient mechanism that learns class-specific difficulty directly within the cross-attention of query-based mask decoders. DFA introduces a learnable per-class bias to attention logits, enabling representation-level reweighting prior to prediction rather than gradient-level reweighting after prediction. Initialised from a log-frequency prior to prevent gradient starvation, the bias is optimised end-to-end, allowing the model to adaptively capture difficulty signals through training, effectively unifying frequency-based and difficulty-aware approaches under a common attention-bias framework. On three histopathology benchmarks (BDSA, BCSS, CRAG), DFA consistently improves Dice and IoU, matching or exceeding a difficulty-aware baseline without a separate estimator or additional training stage. These results demonstrate that encoding class difficulty at the representation level provides a principled alternative to conventional loss reweighting for imbalanced segmentation.
• Abstract（参考訳）: クラス不均衡下の病理像のセマンティックセグメンテーションは、典型的には周波数に基づく損失再重み付けによって対処されるが、これは稀なクラスが難しいことを暗黙的に仮定している。 しかし、真の難しさは、周波数が捉えられない形態的変動、境界あいまいさ、文脈的類似度要素からも生じる。 問合せベースのマスクデコーダのクロスアテンション内で,クラス固有の難易度を直接学習する,シンプルかつ効率的なメカニズムであるDynamic Focal Attention (DFA)を提案する。 DFAは、注意ログに学習可能なクラスごとのバイアスを導入し、予測後の勾配レベルの再重み付けよりも、予測前の表現レベルの再重み付けを可能にする。 勾配の飢餓を防ぐためにログ周波数から初期化され、バイアスはエンドツーエンドに最適化され、トレーニングを通じて困難信号を適応的に捕捉し、共通の注意バイアスの枠組みの下で、周波数ベースおよび困難認識アプローチを効果的に統一する。 3つの病理組織学的ベンチマーク(BDSA, BCSS, CRAG)では、DFAはDiceとIoUを一貫して改善し、別の推定器や追加のトレーニング段階なしで、困難を意識したベースラインをマッチングまたは超過する。 これらの結果は、表現レベルでのクラス難易度を符号化することが、不均衡セグメンテーションに対する従来の損失再重み付けの原則的な代替となることを示している。

関連論文リスト

• Online Bayesian Imbalanced Learning with Bregman-Calibrated Deep Networks [0.7106986689736825]
  本報告では、クラス優先の仮定から確率比の推定を分離する原則的フレームワークであるOBIL(TextitOnline Bayesian Im Balanced Learning)を提案する。 我々のアプローチは、ブレグマンの発散と適切なスコアリングルールとの確立された接続に基づいて、そのような損失で訓練されたディープネットワークが後続確率推定を生成することを示す。 これらの確率比の推定は、クラス事前およびコスト構造における任意の変化の下でも有効であり、最適なベイズ決定のためのしきい値調整のみを必要とすることを証明している。
  論文  参考訳（メタデータ） (2026-02-08T21:23:00Z)
• Comparative Analysis of Data Augmentation for Clinical ECG Classification with STAR [0.0]
  正弦波時間振幅サンプリング(Sinusoidal Time-Amplitude Resampling, STAR)は、連続するRピーク間で厳密に動作するビートワイド増幅である。 STARは実践的なパイプラインのために設計されており、 (i) ピークや間隔を損なうことなくトレーニングの多様性を拡大するモルフォロジー-忠実な変動、 (ii) ソースレジリエンスなトレーニング、 デバイス、サイト、コホート間の安定性をデータセット固有のチューニングなしで改善する、 (iv) ビートレベルの拡張によるレアクラスの学習の改善。
  論文  参考訳（メタデータ） (2025-10-15T14:18:03Z)
• Pseudo-D: Informing Multi-View Uncertainty Estimation with Calibrated Neural Training Dynamics [3.8836478189829164]
  1ホットラベルは、層間変動を消し、モデルに過信予測を強制する。 ラベル空間に不確実性をもたらす新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-09-15T11:30:12Z)
• An Adaptive Cost-Sensitive Learning and Recursive Denoising Framework for Imbalanced SVM Classification [12.986535715303331]
  カテゴリー不均衡は、分類分野において最も人気があり重要な問題の一つである。 適応的なコスト感度と再帰に基づく頑健な学習アルゴリズムを提案する。 実験の結果,提案手法は従来の精度,G平均,リコール,F1スコアの手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-03-13T09:43:14Z)
• Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple Logits Retargeting Approach [102.0769560460338]
  我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。 提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-01T03:27:08Z)
• How adversarial attacks can disrupt seemingly stable accurate classifiers [76.95145661711514]
  敵攻撃は、入力データに不連続な修正を加えることで、非正確な学習システムの出力を劇的に変化させる。 ここでは,これは高次元入力データを扱う分類器の基本的特徴であると考えられる。 実用システムで観測される重要な振る舞いを高い確率で発生させる、単純で汎用的なフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-09-07T12:02:00Z)
• Class-Imbalanced Graph Learning without Class Rebalancing [62.1368829847041]
  クラス不均衡は実世界のノード分類タスクでよく見られ、グラフ学習モデルには大きな課題がある。 本研究では、トポロジカルパラダイムからクラス不均衡バイアスの根本原因にアプローチする。 我々は,クラス再バランスを伴わずにクラス不均衡バイアスを軽減するために,軽量なトポロジカル拡張フレームワークであるBATを考案した。
  論文  参考訳（メタデータ） (2023-08-27T19:01:29Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• PCPL: Predicate-Correlation Perception Learning for Unbiased Scene Graph Generation [58.98802062945709]
  本稿では,適切な損失重みを適応的に求めるための新しい述語相関知覚学習手法を提案する。 我々のPCPLフレームワークは、文脈特徴をよりよく抽出するグラフエンコーダモジュールも備えています。
  論文  参考訳（メタデータ） (2020-09-02T08:30:09Z)

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。