論文の概要: MORI-Seg: Learning Morphological Geometry for Instance Segmentation without Instance Annotations

• arxiv url: http://arxiv.org/abs/2605.28261v1
• Date: Wed, 27 May 2026 10:11:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.959456
• Title: MORI-Seg: Learning Morphological Geometry for Instance Segmentation without Instance Annotations
• Title（参考訳）: Mori-Seg: インスタンスアノテーションのないインスタンスセグメンテーションのための形態幾何学の学習
• Authors: Leiyue Zhao, Tianyu Shi, Daniel Reisenbuchler, Xinzi He, Junchao Zhu, Tianyuan Yao, Yuechen Yang, Yanfan Zhu, Junlin Guo, Gelei Xu, Haichun Yang, Yuankai Huo, Mert R. Sabuncu, Yihe Yang, Ruining Deng,
• Abstract要約: インスタンスレベルのアノテーションを必要とせずにインスタンスセグメンテーションを可能にするディープラーニングフレームワークである Mori-Seg を提案する。 モリセグは分割やインスタンス管理を行う代わりに、意味マスクから直接形態学的に認識された幾何学的表現を学ぶ。 Mori-Segはセマンティックのみの監視の下で、接続されたセマンティック領域をエンドツーエンドの方法で個別のインスタンスマスクに分解する。
• 参考スコア（独自算出の注目度）: 8.822301906283052
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Instance-level quantification of kidney functional units is essential for morphometric analysis, yet most publicly available pathology datasets provide only semantic segmentation annotations, where adjacent structures of the same class are merged into single regions. This prevents reliable instance-level analysis and limits downstream quantitative studies. Existing heuristic post-processing methods often yield suboptimal instance separation, particularly in crowded and adherent regions, while deep learning-based instance segmentation approaches typically require intensive instance-level annotations that are costly and labor-intensive to obtain. We propose MORI-Seg, a deep learning framework that enables instance segmentation without requiring instance-level annotations. Instead of heuristic splitting or instance supervision, MORI-Seg learns morphology-aware geometric representations directly from semantic masks by jointly modeling object-centric distance fields and boundary-band representations to encode interior structure and contact interfaces. A class-conditioned feature disentanglement module further promotes intra-instance coherence and inter-instance separation. Under semantic-only supervision, MORI-Seg decomposes connected semantic regions into distinct instance masks in an end-to-end manner. Experiments demonstrate improved instance separation accuracy and more reliable morphometric quantification compared with classical post-processing pipelines and representative semantic-to-instance learning approaches. The official implementation is publicly available at https://github.com/ddrrnn123/MORI-Seg.
• Abstract（参考訳）: 腎機能単位のインスタンスレベルの定量化は形態計測解析に不可欠であるが、ほとんどの病理データセットはセマンティックセグメンテーションアノテーションのみを提供し、同じクラスの隣接する構造を単一の領域にマージする。 これにより、信頼性の高いインスタンスレベルの分析が防止され、下流の定量的研究が制限される。 既存のヒューリスティックなポストプロセッシング手法は、特に密集地と密着地において、最適なインスタンス分離をもたらすことが多いが、ディープラーニングベースのインスタンスセグメンテーションアプローチでは、通常、取得するのに費用がかかり、労力がかかる集中的なインスタンスレベルのアノテーションを必要とする。 インスタンスレベルのアノテーションを必要とせずにインスタンスセグメンテーションを可能にするディープラーニングフレームワークである Mori-Seg を提案する。 モリセグは、ヒューリスティックな分割やインスタンスの監督の代わりに、オブジェクト中心距離場と境界バンド表現を共同でモデル化し、内部構造と接触界面をエンコードすることで、意味マスクから直接形態学的に認識された幾何学的表現を学ぶ。 クラス条件付き特徴分散モジュールは、更にインスタンス内コヒーレンスとインスタンス間分離を促進する。 Mori-Segはセマンティックのみの監視の下で、接続されたセマンティック領域をエンドツーエンドの方法で個別のインスタンスマスクに分解する。 実験では、古典的な後処理パイプラインや代表的なセマンティック・ツー・インスタンス学習アプローチと比較して、インスタンス分離精度の向上と、より信頼性の高い形態量化が示されている。 公式実装はhttps://github.com/ddrrnn123/MORI-Segで公開されている。

関連論文リスト

• Instance-Aware Robust Consistency Regularization for Semi-Supervised Nuclei Instance Segmentation [53.94176748542936]
  本稿では、インスタンスレベルの正確な核分割のためのインスタンス対応ロバスト整合性正規化ネットワーク(IRCR-Net)を提案する。 病理画像に核形態学的な先行知識を取り入れ,これらの先行知識を用いてラベルのないデータから生成された擬似ラベルの品質を評価する。
  論文  参考訳（メタデータ） (2025-10-10T12:32:32Z)
• BAISeg: Boundary Assisted Weakly Supervised Instance Segmentation [9.6046915661065]
  インスタンスレベルの監視なしにインスタンスレベルのマスクを抽出する方法は、弱教師付きインスタンスセグメンテーション(WSIS)の主な課題である 人気のあるWSIS手法は、画素間関係の学習を通じて変位場(DF)を推定し、インスタンスを識別するためのクラスタリングを実行する。 本稿では,画素レベルのアノテーションでインスタンスセグメンテーションを実現するWSISの新しいパラダイムであるBundary-Assisted Instance(BAISeg)を提案する。
  論文  参考訳（メタデータ） (2024-05-27T15:14:09Z)
• P2Seg: Pointly-supervised Segmentation via Mutual Distillation [23.979786026101024]
  実例位置と意味情報の相補的強度を利用するための相互蒸留モジュール(MDM)を開発した。 提案手法は,PASCAL VOCおよびMS COCOデータセット上で55.7 mAP$_50$と17.6 mAPを達成する。
  論文  参考訳（メタデータ） (2024-01-18T03:41:38Z)
• Synthetic Instance Segmentation from Semantic Image Segmentation Masks [15.477053085267404]
  我々は、Synthetic Instance(SISeg)と呼ばれる新しいパラダイムを提案する。 SISegインスタンスセグメンテーションの結果は、既存のセマンティックセグメンテーションモデルによって生成されたイメージマスクを活用する。 言い換えれば、提案モデルは余分な人力や高い計算コストを必要としない。
  論文  参考訳（メタデータ） (2023-08-02T05:13:02Z)
• Sparse Instance Activation for Real-Time Instance Segmentation [72.23597664935684]
  本稿では,リアルタイムインスタンスセグメンテーションのための概念的・効率的・完全畳み込み型フレームワークを提案する。 SparseInstは非常に高速な推論速度を持ち、COCOベンチマークで40 FPSと37.9 APを達成した。
  論文  参考訳（メタデータ） (2022-03-24T03:15:39Z)
• Semantic Attention and Scale Complementary Network for Instance Segmentation in Remote Sensing Images [54.08240004593062]
  本稿では,セマンティックアテンション(SEA)モジュールとスケール補完マスクブランチ(SCMB)で構成される,エンドツーエンドのマルチカテゴリインスタンスセグメンテーションモデルを提案する。 SEAモジュールは、機能マップ上の興味あるインスタンスのアクティベーションを強化するために、追加の監督を備えた、単純な完全な畳み込みセマンティックセマンティックセマンティクスブランチを含んでいる。 SCMBは、元のシングルマスクブランチをトリデントマスクブランチに拡張し、異なるスケールで補完マスクの監視を導入する。
  論文  参考訳（メタデータ） (2021-07-25T08:53:59Z)
• SOLO: A Simple Framework for Instance Segmentation [84.00519148562606]
  インスタンスカテゴリ"は、インスタンスの場所に応じて、インスタンス内の各ピクセルにカテゴリを割り当てる。 SOLO"は、強力なパフォーマンスを備えたインスタンスセグメンテーションのための、シンプルで、直接的で、高速なフレームワークです。 提案手法は, 高速化と精度の両面から, 実例分割の最先端結果を実現する。
  論文  参考訳（メタデータ） (2021-06-30T09:56:54Z)
• I^3Net: Implicit Instance-Invariant Network for Adapting One-Stage Object Detectors [64.93963042395976]
  暗黙のInstance-Invariant Network(I3Net)は、ワンステージ検出器の適応に適しています。 i3netは、異なる層における深い特徴の自然な特徴を利用してインスタンス不変な特徴を暗黙的に学習する。 実験によると、I3Netはベンチマークデータセットの最先端のパフォーマンスを上回っている。
  論文  参考訳（メタデータ） (2021-03-25T11:14:36Z)
• Commonality-Parsing Network across Shape and Appearance for Partially Supervised Instance Segmentation [71.59275788106622]
  そこで本稿では,マスク付分類から新しい分類へ一般化可能な,クラス非依存の共通性について考察する。 本モデルでは,COCOデータセット上のサンプルセグメンテーションにおける部分教師付き設定と少数ショット設定の両方において,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-24T07:23:44Z)

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。