論文の概要: Active few-shot segmentation by reinforcing data selection

• arxiv url: http://arxiv.org/abs/2607.22371v1
• Date: Fri, 24 Jul 2026 14:58:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.157341
• Title: Active few-shot segmentation by reinforcing data selection
• Title（参考訳）: データ選択の強化によるアクティブ・ショットセグメンテーション
• Abstract要約: 少ないショット学習により、少数のラベル付き例だけで、医療画像セグメンテーションモデルが新しいタスクに適応できる。 サポートセットは、ターゲットドメイン内の関連するバリエーションをキャプチャし、適応のために通知するべきである。 数ショットの医用画像分割におけるサポートセット選択のための強化学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.7289593940332797
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot learning enables medical image segmentation models to adapt to new tasks using only a small number of labelled examples. However, adaptation performance depends strongly on which examples are selected for the support set. Effective support sets should capture relevant variation within the target domain and be informative for adaptation, with constituent samples providing complementary information. Despite this, existing active data selection approaches largely prioritise samples individually and do not explicitly account for interactions between examples. In this work, we propose a reinforcement learning framework for support-set selection in few-shot medical image segmentation, enabling support sets to be optimised jointly rather than through independent sample scoring. Given a pool of unlabelled candidate images, an agent directly predicts a support set that maximises downstream segmentation performance. Experiments on a cross-institutional pelvic MRI dataset demonstrate improvements over random selection and current state-of-the-art methods. Our findings highlight the importance of support-set complementarity for effective adaptation and demonstrate the potential of reinforcement learning for optimising adaptation sets.
• Abstract（参考訳）: 少ないショット学習により、少数のラベル付き例だけで、医療画像セグメンテーションモデルが新しいタスクに適応できる。 しかし、適応性能は、どのサンプルがサポートセットに選択されるかに大きく依存する。 効果的なサポートセットは、ターゲットドメイン内の関連するバリエーションをキャプチャして、補完的な情報を提供する構成サンプルを組み込んで、適応に役立てるべきである。 それにもかかわらず、既存のアクティブデータ選択アプローチは、主にサンプルを個別に優先順位付けし、サンプル間の相互作用を明示的に説明しない。 本研究では,少数の医用画像セグメンテーションにおけるサポートセット選択のための強化学習フレームワークを提案する。 競合しない候補画像のプールが与えられた場合、エージェントは、下流セグメンテーション性能を最大化するサポートセットを直接予測する。 組織横断型骨盤MRIデータセットの実験では、ランダム選択と最先端の手法の改善が示されている。 本研究は、効果的な適応のためのサポートセット補完の重要性を強調し、適応セットを最適化するための強化学習の可能性を示した。

関連論文リスト

• Bayesian adaptively-weighted ensembles for few-shot abdominal segmentation [1.7804186825965627]
  ラベル付きデータが不足している場合、解剖学的セグメンテーションのための有望なアプローチとして、ほとんどショット学習が登場していない。 ラベル不足とドメインシフトに基づくセグメンテーションのためのベイズ適応重み付けアンサンブルフレームワークを提案する。 その結果、個々の数発学習者、固定重アンサンブル、スクラッチベースラインからのトレーニング、最新の最先端アンサンブルアプローチに対する統計的に有意な改善が示された。
  論文  参考訳（メタデータ） (2026-08-06T09:46:57Z)
• Context Matters: Support Set Selection and Failure Detection for In-Context Medical Image Segmentation [7.942205885692331]
  In-context Learningは、医療画像のセグメンテーションモデルを、再トレーニングすることなく、見つからない構造やモダリティに適応させる。 ICL信頼性の制御可能な決定因子としてのサポートセットについて検討する。
  論文  参考訳（メタデータ） (2026-08-05T18:43:42Z)
• Unified modality separation: A vision-language framework for unsupervised domain adaptation [60.8391821117794]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付きソースドメインでトレーニングされたモデルが新しいラベル付きドメインを扱うことを可能にする。 本稿では,モダリティ固有成分とモダリティ不変成分の両方に対応可能な統一モダリティ分離フレームワークを提案する。 提案手法は,9倍の計算効率で最大9%の性能向上を実現している。
  論文  参考訳（メタデータ） (2025-08-07T02:51:10Z)
• An Attentive Representative Sample Selection Strategy Combined with Balanced Batch Training for Skin Lesion Segmentation [2.228316724125797]
  多くの研究は、トレーニングセットをランダムに選択し、最適でないモデルのパフォーマンスをもたらす可能性がある。 コントラスト学習とクラスタリングを用いて、アノテーションのための代表的で多様なサンプルを抽出する。
  論文  参考訳（メタデータ） (2025-03-21T10:42:22Z)
• Add-One-In: Incremental Sample Selection for Large Language Models via a Choice-Based Greedy Paradigm [50.492124556982674]
  本稿では,新しい選択型サンプル選択フレームワークを提案する。 個々のサンプル品質の評価から、異なるサンプルのコントリビューション値の比較へと焦点をシフトする。 われわれのアプローチをより大きな医療データセットで検証し、現実の応用における実用性を強調した。
  論文  参考訳（メタデータ） (2025-03-04T07:32:41Z)
• Integrated Image-Text Based on Semi-supervised Learning for Small Sample Instance Segmentation [1.3157419797035321]
  本稿では,既存情報の利用を最大化する観点から,新しいサンプルインスタンス分割法を提案する。 まず、ラベルのないデータを学習して擬似ラベルを生成し、利用可能なサンプルの数を増やすことで、モデルが完全に活用するのに役立つ。 第二に、テキストと画像の特徴を統合することにより、より正確な分類結果を得ることができる。
  論文  参考訳（メタデータ） (2024-10-21T14:44:08Z)
• ActiveDC: Distribution Calibration for Active Finetuning [36.64444238742072]
  本研究では,アクティブ微調整タスクのためのActiveDCと呼ばれる新しい手法を提案する。 我々は,無ラベルプールにおける暗黙のカテゴリ情報を利用して,選択したサンプルの分布を校正する。 その結果,ActiveDCは画像分類タスクのベースライン性能を一貫して上回ることがわかった。
  論文  参考訳（メタデータ） (2023-11-13T14:35:18Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワーク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） (2023-04-10T17:58:22Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• MADAv2: Advanced Multi-Anchor Based Active Domain Adaptation Segmentation [98.09845149258972]
  セマンティックセグメンテーションタスクに関するドメイン適応を支援するために,アクティブなサンプル選択を導入する。 これらのサンプルを手動でアノテートする作業量が少ないため、ターゲット領域分布の歪みを効果的に緩和することができる。 長期分布問題を緩和するために、強力な半教師付きドメイン適応戦略を提案する。
  論文  参考訳（メタデータ） (2023-01-18T07:55:22Z)
• Few-shot Classification via Adaptive Attention [93.06105498633492]
  ごく少数の参照サンプルに基づいて,クエリサンプル表現を最適化し,高速に適応する新しい数ショット学習手法を提案する。 実験で実証したように,提案モデルでは,様々なベンチマーク数ショット分類と微粒化認識データセットを用いて,最先端の分類結果を達成している。
  論文  参考訳（メタデータ） (2020-08-06T05:52:59Z)
• Improving Multi-Turn Response Selection Models with Complementary Last-Utterance Selection by Instance Weighting [84.9716460244444]
  我々は、データリソース自体の根底にある相関を利用して、異なる種類の監視信号を導出することを検討する。 2つの公開データセットで広範な実験を行い、両方のデータセットで大幅に改善した。
  論文  参考訳（メタデータ） (2020-02-18T06:29:01Z)

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。