論文の概要: SUGFW+: An Uncertainty-guided Feature Weighting Framework for Cold Start Active Adaptation of SAM in Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2608.16110v1
- Date: Mon, 17 Aug 2026 05:03:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.542415
- Title: SUGFW+: An Uncertainty-guided Feature Weighting Framework for Cold Start Active Adaptation of SAM in Medical Image Segmentation
- Title（参考訳）: SUGFW+:医療画像セグメンテーションにおけるSAMの冷間開始能動適応のための不確かさ誘導型特徴重み付けフレームワーク
- Abstract要約: CSALとSAMの適応のための拡張SAMベースの不確実性誘導特徴重み付け(SUGFW+)フレームワークを提案する。
SAM固有の埋め込みを利用して、低いアノテーション予算で適応する際のコールドスタートサンプル選択を行う。
4つの公開データセットの実験により、SUGFW+は既存のCSAL法に対して最先端のパフォーマンスを達成することが示された。
- 参考スコア（独自算出の注目度）: 12.786129918584393
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cold Start Active Learning (CSAL) is important in improving the performance of a medical image segmentation model with low annotation budget by querying a small subset for annotation from an unlabeled training set. Existing CSAL methods typically rely on inefficient dataset-specific Self-Supervised Learning (SSL) to map the unlabeled images into a feature space for sample selection. Recently, the advent of foundation models such as the Segment Anything Model (SAM) offer a promising alternative as the pre-trained model can provide strong generalizable feature embeddings, and allow high performance in downstream tasks after fine-tuning (adaptation). However, how to systematically exploit SAM's inherent embeddings for cold-start sample selection during adaptation with low annotation budget remains underexplored. To address this, we propose an extended SAM-based Uncertainty-guided Feature Weighting (SUGFW+) framework for CSAL and adaptation of SAM. Specifically, it leverages the SAM for Patch-level Feature and Uncertainty Calculation (PFUC), and introduces a Patch-based Global Distinct Representation (PGDR) module that aggregates patch-level embeddings into highly discriminative, uncertainty-aware image-level features. These features are then utilized by a Greedy Selection with Cluster and Uncertainty (GSCU) strategy to combine diversity and uncertainty during sample selection. Unlike prior CSAL methods that decouple sample selection from model training, SUGFW+ tightly integrates these two stages via an Uncertainty-Prompted Fine-Tuning (UPFT) process of SAM in model training. Extensive experiments on four public datasets demonstrate that SUGFW+ achieves state-of-the-art performance against existing CSAL methods. Code is available at https://github.com/HiLab-git/SUGFW-plus.
- Abstract（参考訳）: コールドスタートアクティブラーニング(CSAL)は、未ラベルのトレーニングセットからアノテーションの小さなサブセットをクエリすることで、低アノテーション予算で医用画像セグメンテーションモデルの性能を向上させる上で重要である。
既存のCSALメソッドは、通常、非効率なデータセット固有の自己監視学習(SSL)を使用して、ラベルのない画像をサンプル選択のために特徴空間にマッピングする。
近年、Segment Anything Model (SAM) のような基礎モデルの出現は、事前訓練されたモデルが強力な一般化可能な特徴埋め込みを提供し、微調整(適応)後の下流タスクで高いパフォーマンスを実現するため、有望な代替手段を提供する。
しかし、低アノテーション予算での適応において、SAMの固有の埋め込みを冷間開始サンプル選択に体系的に活用する方法は、未検討のままである。
そこで本研究では,CSAL と SAM の適応のための SAM-based Uncertainty-Guided Feature Weighting (SUGFW+) フレームワークを提案する。
具体的には、SAM for Patch-level Feature and Uncertainty calculation (PFUC)を活用し、パッチレベルの埋め込みを高い識別性と不確実性を認識した画像レベルに集約するPatch-based Global Distinct Representation (PGDR)モジュールを導入している。
これらの特徴は、Greedy Selection with Cluster and Uncertainty(GSCU)戦略によって、サンプル選択中に多様性と不確実性を組み合わせるために利用される。
モデルトレーニングからサンプル選択を分離する従来のCSAL法とは異なり、SUGFW+はSAMのUncertainty-Prompted Fine-Tuning(UPFT)プロセスを介して、これらの2つのステージを密に統合する。
4つの公開データセットに対する大規模な実験は、SUGFW+が既存のCSAL法に対して最先端のパフォーマンスを達成することを示した。
コードはhttps://github.com/HiLab-git/SUGFW-plusで入手できる。
関連論文リスト
- Boundary-Aware Test-Time Adaptation for Zero-Shot Medical Image Segmentation [12.159529070716824]
BA-TTA-SAMはテスト時間適応によるSAMのゼロショットセグメンテーション性能を向上させるテスト時間適応フレームワークである。
我々のフレームワークは、医用画像分割における最先端モデルよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-12-04T07:08:21Z) - ST-SAM: SAM-Driven Self-Training Framework for Semi-Supervised Camouflaged Object Detection [14.06736878203419]
半教師付きCamouflaged Object Detection (SSCOD) は、高価なピクセルレベルのアノテーションへの依存を減らすことを目的としている。
既存のSSCOD法では, 厳密な予測バイアスと誤差伝播に悩まされている。
アノテーション効率が高いが簡潔なフレームワークST-SAMを提案する。
論文 参考訳（メタデータ） (2025-07-31T07:41:30Z) - ConformalSAM: Unlocking the Potential of Foundational Segmentation Models in Semi-Supervised Semantic Segmentation with Conformal Prediction [57.930531826380836]
本研究は,未ラベル画像のアノテータとして画素レベルの視覚課題におけるラベル不足に,基礎的セグメンテーションモデルが対処できるかどうかを考察する。
ConformalSAMは,まず対象ドメインのラベル付きデータを用いて基礎モデルを校正し,ラベルなしデータの信頼できないピクセルラベルをフィルタリングする新しいSSSSフレームワークである。
論文 参考訳（メタデータ） (2025-07-21T17:02:57Z) - Promptable Anomaly Segmentation with SAM Through Self-Perception Tuning [63.55145330447408]
異常セグメンテーションのための textbfSelf-textbfPerceptinon textbfTuning (textbfSPT) 法を提案する。
SPT法は, 自己描画型チューニング戦略を取り入れ, 異常マスクの初期粗いドラフトを生成し, 精製処理を行う。
論文 参考訳（メタデータ） (2024-11-26T08:33:25Z) - Segment Any Class (SAC): Multi-Class Few-Shot Semantic Segmentation via Class Region Proposals [0.0]
本稿では,Segment Any Class (SAC) を提案する。Segment Any Class (SAC) は多クラスセグメンテーションのためにSAMをタスク適応する訓練不要のアプローチである。
SACはクエリイメージ上でクラスレギュレーション提案(CRP)を生成し、クラス認識プロンプトを自動的に生成する。
SACは自動プロンプトのみを利用し、COCO-20iベンチマークの最先端手法よりも優れた結果が得られる。
論文 参考訳（メタデータ） (2024-11-21T01:04:53Z) - Adapting Segment Anything Model for Unseen Object Instance Segmentation [70.60171342436092]
Unseen Object Instance(UOIS)は、非構造環境で動作する自律ロボットにとって不可欠である。
UOISタスクのためのデータ効率のよいソリューションであるUOIS-SAMを提案する。
UOIS-SAMは、(i)HeatmapベースのPrompt Generator(HPG)と(ii)SAMのマスクデコーダに適応する階層識別ネットワーク(HDNet)の2つの重要なコンポーネントを統合する。
論文 参考訳（メタデータ） (2024-09-23T19:05:50Z) - cDP-MIL: Robust Multiple Instance Learning via Cascaded Dirichlet Process [23.266122629592807]
マルチプル・インスタンス・ラーニング (MIL) は全スライス・ヒストパラメトリック・イメージ (WSI) 解析に広く応用されている。
MILの既存の集約戦略は、主にインスタンス間の一階距離に依存するが、各インスタンスの真の特徴分布を正確に近似することができない。
本稿では、複数のインスタンス学習のための新しいベイズ非パラメトリックフレームワークを提案し、WSIのインスタンス・ツー・バッグ特性を組み込むためにディリクレ・プロセスのカスケード(cDP)を採用する。
論文 参考訳（メタデータ） (2024-07-16T07:28:39Z) - Uncertainty Aware Learning for Language Model Alignment [97.36361196793929]
異なるタスクシナリオのモデルアライメントを改善するために,不確実性認識学習(UAL)を提案する。
トレーニングのラベルの平滑化値を個々のサンプルの不確実性に応じて適応的に設定する。
広く使われているベンチマーク実験では、我々のUALは標準教師あり微調整よりも著しく優れています。
論文 参考訳（メタデータ） (2024-06-07T11:37:45Z) - AlignSAM: Aligning Segment Anything Model to Open Context via Reinforcement Learning [61.666973416903005]
Segment Anything Model (SAM)は、オープンワールドシナリオにおいて、プロンプトのガイダンスによって、その印象的な一般化機能を実証した。
オープンコンテキストにSAMをアライメントするための自動プロンプトのための新しいフレームワークAlignSAMを提案する。
論文 参考訳（メタデータ） (2024-06-01T16:21:39Z) - Stable Segment Anything Model [79.9005670886038]
SAM(Segment Anything Model)は、高品質なプロンプトが与えられた場合、顕著に迅速なセグメンテーションを実現する。
本稿では,SAMのセグメンテーション安定性について,多様なプロンプト特性のスペクトルにわたって包括的解析を行った。
1)SAMのセグメンテーション安定性を広範囲に改善し,2)SAMの強力なセグメンテーション効率と一般化を維持した。
論文 参考訳（メタデータ） (2023-11-27T12:51:42Z)
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。