論文の概要: Single-Stage Hierarchical Rectification for Weakly Supervised Histopathology Segmentation

• arxiv url: http://arxiv.org/abs/2606.20250v1
• Date: Thu, 18 Jun 2026 14:01:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.897179
• Title: Single-Stage Hierarchical Rectification for Weakly Supervised Histopathology Segmentation
• Title（参考訳）: 病理組織学的部分切除の1段階的階層的整形術
• Authors: Duc T. Nguyen, Hoang-Long Nguyen, Thanh-Ha DO, Huy-Hieu Pham,
• Abstract要約: 既存の教師付きセマンティックセグメンテーション手法は、マルチステージパラダイムに依存している。 本稿では,Single-Stage Hierarchical Rectification (SSHR) フレームワークを提案する。 SSHRは前方通過時の中間特徴表現を積極的に浄化する。
• 参考スコア（独自算出の注目度）: 0.9799637101641149
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing weakly supervised semantic segmentation (WSSS) methods in computational pathology rely on a multi-stage paradigm: class activation map (CAM) generation, offline pseudo-mask refinement, and fully supervised retraining. While established, this decoupled approach presents fundamental limitations. The multi-stage process not only incurs high computational training costs but also suffers from error propagation: local texture biases in shallow CNN layers generate false-positive artifacts that subsequent refinement steps often fail to correct. To address these persistent challenges through a simple yet highly effective approach, we propose the Single-Stage Hierarchical Rectification (SSHR) framework. Rather than passively refining CAMs post-hoc, our method proactively purifies intermediate feature representations during the forward pass. We introduce a Hierarchical Feature Rectification Module (HFRM) that utilizes deep global semantic context to filter out local anomalies in shallow layers. This mechanism generates high-fidelity activation maps directly within a single training loop. Experiments on the LUAD-HistoSeg and BCSS datasets demonstrate that SSHR outperforms state-of-the-art multi-stage methods. Furthermore, SSHR reduces training duration by 2 to 5 times. This efficiency minimizes computational overhead and accelerates clinical translation for large-scale histopathology workflows. The code is available at: https://github.com/trongduc-nguyen/SSHR
• Abstract（参考訳）: 計算病理学における既存の弱教師付きセマンティックセグメンテーション(WSSS)手法は、クラスアクティベーションマップ(CAM)の生成、オフラインの擬似マスクの改良、完全に教師付き再トレーニングといった多段階パラダイムに依存している。 確立されている間、この分離されたアプローチは基本的な制限を提示します。 浅層CNN層における局所的なテクスチャバイアスは偽陽性のアーティファクトを生成し、その後の改善ステップでしばしば修正が失敗する。 単純かつ高効率なアプローチによって、これらの永続的な課題に対処するために、Single-Stage Hierarchical Rectification (SSHR)フレームワークを提案する。 ポストホックのCAMを受動的に精製するのではなく, 前方通過時の中間特徴表現を積極的に浄化する。 浅層層における局所異常を除去するために,大域的意味的コンテキストを利用した階層的特徴整形モジュール(HFRM)を導入する。 このメカニズムは、単一のトレーニングループ内で直接、高忠実度活性化マップを生成する。 LUAD-HistoSegとBCSSデータセットの実験では、SSHRが最先端のマルチステージメソッドより優れていることが示されている。 さらに、SSHRはトレーニング期間を2倍から5倍に短縮する。 この効率は計算オーバーヘッドを最小化し、大規模な病理組織学ワークフローに対する臨床翻訳を加速する。 コードは、https://github.com/trongduc-nguyen/SSHRで入手できる。

関連論文リスト

• Scaling Adaptive Depth with Norm-Agnostic Residual Networks [9.219329760729629]
  NAGは標準に依存しない残差アーキテクチャであり、残差ストリームの方向情報から大きさを分離する。 NAGは無視できる数の追加パラメータしか導入せず、簡単にカーネルで実現可能な単純な操作に依存している。 このアーキテクチャはベースライントランスフォーマーよりも優れており,奥行きが大きくなるにつれて大幅に向上することを示す。
  論文  参考訳（メタデータ） (2026-06-15T02:05:37Z)
• Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
  モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。 State-of-the-art merging method formulate merging as a layer-wise interference problem。 本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
  論文  参考訳（メタデータ） (2026-06-05T14:00:47Z)
• ORSIFlow: Saliency-Guided Rectified Flow for Optical Remote Sensing Salient Object Detection [16.437554336020757]
  光リモートセンシング画像塩物検出(ORSI-SOD)は、複雑な背景、低コントラスト、不規則な物体形状、オブジェクトスケールの大きなバリエーションのため、依然として困難である。 本稿では,ORSI-SOD を決定論的潜在フロー生成問題として再定義する ORSIFlow を提案する。 本研究では,大域的意味識別のための有意特徴判別器と,正確な境界修正のための有意特徴検定器を設計する。
  論文  参考訳（メタデータ） (2026-03-30T15:33:26Z)
• SENTINEL: Stagewise Integrity Verification for Pipeline Parallel Decentralized Training [54.8494905524997]
  分散トレーニングは、信頼できない、地理的に分散したノードで実行される場合、重大なセキュリティリスクをもたらす。 重複のないパイプライン並列性(PP)トレーニングの検証機構であるSENTINELを提案する。 実験では、モデル収束と性能を維持しながら、最大176人の労働者を持つ信頼できない分散環境における最大4BパラメータLSMのトレーニングを成功させた。
  論文  参考訳（メタデータ） (2026-03-03T23:51:10Z)
• Information-Theoretic Greedy Layer-wise Training for Traffic Sign Recognition [0.5024983453990065]
  レイヤワイズトレーニングは、クロスエントロピー損失とバックプロパゲーションの必要性を排除する。 既存の階層的なトレーニングアプローチの多くは、比較的小さなデータセットでのみ評価されている。 本稿では,最近開発された決定論的情報ボトルネック(DIB)と行列に基づくR'enyiの$alpha$-orderエントロピー関数に基づく,階層的学習手法を提案する。
  論文  参考訳（メタデータ） (2025-10-31T17:24:58Z)
• LESA: Learnable LLM Layer Scaling-Up [57.0510934286449]
  LLM(Large Language Models)をスクラッチからトレーニングするには膨大な計算資源が必要であるため、非常に高価である。 モデルスケーリングアップは、より小さなモデルのパラメータを活用してより大きなモデルを作成することで、有望なソリューションを提供する。 深度スケールアップのための新しい学習方法である textbfLESA を提案する。
  論文  参考訳（メタデータ） (2025-02-19T14:58:48Z)
• An efficient framework based on large foundation model for cervical cytopathology whole slide image screening [13.744580492120749]
  本稿では,教師なし・弱教師付き学習によるWSIレベルラベルのみを用いた頚部細胞病理学WSI分類のための効率的なフレームワークを提案する。 CSDおよびFNAC 2019データセットで実施された実験は、提案手法が様々なMIL手法の性能を高め、最先端(SOTA)性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-07-16T08:21:54Z)
• SHERL: Synthesizing High Accuracy and Efficient Memory for Resource-Limited Transfer Learning [63.93193829913252]
  本稿では,リソース制限シナリオに対するSHERLと呼ばれる革新的なMETL戦略を提案する。 初期経路では、中間出力は反冗長動作によって統合される。 遅延ルートでは、最小限の遅延事前トレーニングされたレイヤを利用することで、メモリオーバーヘッドのピーク需要を軽減できる。
  論文  参考訳（メタデータ） (2024-07-10T10:22:35Z)
• Semi-Supervised Temporal Action Detection with Proposal-Free Masking [134.26292288193298]
  PropOsal-free Temporal mask (SPOT) に基づく新しい半教師付き時間行動検出モデルを提案する。 SPOTは最先端の代替品よりも優れている。
  論文  参考訳（メタデータ） (2022-07-14T16:58:47Z)
• Distribution Mismatch Correction for Improved Robustness in Deep Neural Networks [86.42889611784855]
  正規化法は ノイズや入力の腐敗に関して 脆弱性を増大させる 本稿では,各層の活性化分布に適応する非教師なし非パラメトリック分布補正法を提案する。 実験により,提案手法は画像劣化の激しい影響を効果的に低減することを示した。
  論文  参考訳（メタデータ） (2021-10-05T11:36:25Z)

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。