論文の概要: The Blind Spot in 2D Infants' Pose Estimation:Robust Learning from Noisy Annotations
- arxiv url: http://arxiv.org/abs/2609.04009v1
- Date: Thu, 03 Sep 2026 15:47:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:39.144206
- Title: The Blind Spot in 2D Infants' Pose Estimation:Robust Learning from Noisy Annotations
- Title（参考訳）: 2次元幼児の姿勢推定における盲点:ノイズアノテーションによるロバスト学習
- Abstract要約: ニューラルネットワークは大規模で高品質なラベル付きデータに依存しているため、ノイズの多いアノテーションは教師付きディープラーニングにとって大きな課題となる。
REMINDは、ノイズ分布の事前知識を仮定することなく、キーポイントワイズトレーニングダイナミクスを利用してノイズラベルを識別する。
REMINDは、複数の汚職シナリオにまたがるノイズの多いアノテーションを正しく識別し、Curveで最大93%のエリアを達成します。
- 参考スコア（独自算出の注目度）: 38.34449228893743
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Noisy annotations pose a significant challenge for supervised deep learning, as neural networks rely on large-scale, high-quality labeled data whose corruption can severely impair model performance. Although robustness to label noise has been extensively studied for classification tasks, it remains relatively underexplored in Pose Estimation (PE). This limitation becomes critical in clinical contexts, including neonatology, where PE of preterm infants is used to support the assessment of spontaneous motility, a key indicator of neurodevelopmental trajectories. In such settings, infants' images labeling is further hindered by visual challenges (e.g., keypoint self-occlusions, caregiver interference), making the annotation process inherently susceptible to errors. To tackle noisy annotations in PE, we introduce REliable keypoint selection via Memory of traINing Dynamics (REMIND), a clustering-based keypoint-selection strategy that exploits keypoint-wise training dynamics to identify noisy labels without assuming any prior knowledge of the noise distribution, thus enabling noise-free model training. When evaluated on the proprietary NeoPose dataset, comprising 46 videos of 46 preterm infants recorded in real clinical settings, REMIND correctly identifies noisy annotations across multiple corruption scenarios, achieving up to 93\% Area Under the Curve (AUC) with three different PE architectures used in the relevant literature. To our knowledge, this is the first study to explicitly address label noise in preterm infants' PE, paving the way for the design of trustworthy learning-based algorithms for infants'monitoring support when data quality cannot be guaranteed.
- Abstract（参考訳）: ニューラルネットワークは、モデルパフォーマンスを著しく損なう可能性のある大規模で高品質なラベル付きデータに依存しているため、ノイズの多いアノテーションは、教師付きディープラーニングにとって大きな課題となる。
ラベルノイズに対するロバスト性は分類タスクにおいて広く研究されているが、Pose Estimation (PE) では比較的過小評価されている。
この制限は、新生児のPEが神経発達の軌跡を示す重要な指標である自発運動の評価を支援するために使用される、新生児学を含む臨床的文脈において重要なものとなる。
このような設定では、幼児のイメージラベリングは視覚的な困難(例えば、キーポイントの自己閉塞、介護者の干渉)によってさらに妨げられ、アノテーションプロセスは本質的にエラーに影響を受けやすい。
PEにおけるノイズのアノテーションに対処するため,クラスタリングに基づくキーポイント選択戦略であるReliable Keypoint selection via Memory of training Dynamics (REMIND)を導入する。
実際の臨床環境で記録された46人の乳幼児の46の動画からなる独自のNeoPoseデータセットで評価すると、REMINDは複数の汚職シナリオにまたがるノイズの多いアノテーションを正しく識別し、関連する文献で使用される3つの異なるPEアーキテクチャを持つAUC(Area Under the Curve)で最大93\%に達する。
本研究は,幼児のPEにおけるラベルノイズに対処する最初の研究であり,データ品質が保証できない場合に,幼児の監視支援のための信頼に値する学習ベースアルゴリズムの設計の道を開くものである。
関連論文リスト
- Sharpness-aware Dynamic Anchor Selection for Generalized Category Discovery [61.694524826522205]
既知のクラスのラベル付きデータを考えると、GCDは既知のクラスと未知のクラスの両方を含むラベルなしデータをクラスタ化することを目的としている。
大規模な事前学習モデルでは、特定の視覚的パターンが好まれ、ラベルのないデータに対して刺激的な相関を符号化する。
LSP(Los Sharpness Penalty)とDAS(Dynamic Anchor Selection)の2つのモジュールを含む新しい手法を提案する。
論文 参考訳（メタデータ） (2025-12-15T02:24:06Z) - BUNDL: Bayesian Uncertainty-aware Deep Learning with Noisy training Labels for Seizure Detection in EEG [4.3152965872426625]
Scalp EEGは高いノイズレベルに影響を受けやすいため、発作のタイミングや特徴の不正確なアノテーションにつながる。
本稿では,ラベル曖昧性の深層学習モデルを示す新しい統計フレームワークを提案する。
BUNDLはラベルの曖昧さに対処するために特別に設計されており、てんかん評価のための信頼性と信頼性のあるモデルのトレーニングを可能にする。
論文 参考訳（メタデータ） (2024-10-17T21:19:39Z) - SSP-RACL: Classification of Noisy Fundus Images with Self-Supervised Pretraining and Robust Adaptive Credal Loss [3.8739860035485143]
基礎画像分類はコンピュータの診断タスクにおいて重要であるが、ラベルノイズはディープニューラルネットワークの性能を著しく損なう。
本稿では,ロバスト適応クレダルロス (SSP-RACL) を用いた自己監督型事前訓練(Self-Supervised Pre-training)を提案する。
論文 参考訳（メタデータ） (2024-09-25T02:41:58Z) - Training Gradient Boosted Decision Trees on Tabular Data Containing Label Noise for Classification Tasks [1.261491746208123]
本研究は,ラベルノイズが勾配ブースト決定木(GBDT)に及ぼす影響について検討する。
GBDTを用いた深層学習から2つのノイズ検出手法を適用し,Gradientsと呼ばれる新しい検出手法を導入する。
ノイズ検出手法は,全てのノイズレベルにわたるアダルトデータセットにおいて,99%以上のノイズ検出精度で,最先端のノイズ検出を実現する。
論文 参考訳（メタデータ） (2024-09-13T09:09:24Z) - Contrastive-Based Deep Embeddings for Label Noise-Resilient Histopathology Image Classification [0.0]
ノイズラベルは 病理組織像の分類において 重要な課題です
ディープニューラルネットワークはラベルノイズに容易に適合し、モデル性能が大幅に低下する。
自己教師型コントラスト法で訓練した基礎モデルから抽出した埋め込みのラベル雑音耐性特性を示す。
論文 参考訳（メタデータ） (2024-04-11T09:47:52Z) - Analyze the Robustness of Classifiers under Label Noise [5.708964539699851]
教師付き学習におけるラベルノイズは、誤ったラベルまたは不正確なラベルによって特徴づけられ、モデル性能を著しく損なう。
本研究は, ラベルノイズが実用的応用に与える影響について, ますます関連する問題に焦点をあてる。
論文 参考訳（メタデータ） (2023-12-12T13:51:25Z) - Label-noise-tolerant medical image classification via self-attention and
self-supervised learning [5.6827706625306345]
医用画像分類におけるノイズラベルの悪影響を軽減するためのノイズローバストトレーニング手法を提案する。
具体的には、コントラスト学習とグループ内注意混合戦略をバニラ指導学習に取り入れる。
コントラスト学習とアテンション・ミックスアップによるノイズ・ロバスト手法がラベルノイズを効果的に扱えるかどうかを厳密な実験により検証した。
論文 参考訳（メタデータ） (2023-06-16T09:37:16Z) - NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical
Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。
NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文 参考訳（メタデータ） (2023-01-01T12:48:12Z) - Improving Medical Image Classification with Label Noise Using
Dual-uncertainty Estimation [72.0276067144762]
医用画像における2種類のラベルノイズについて論じ,定義する。
医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-28T14:56:45Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T09:51:30Z) - Learning Not to Learn in the Presence of Noisy Labels [104.7655376309784]
ギャンブラーの損失と呼ばれる新しい種類の損失関数は、様々なレベルの汚職にまたがってノイズをラベル付けするのに強い堅牢性をもたらすことを示す。
この損失関数によるトレーニングは、ノイズのあるラベルを持つデータポイントでの学習を"維持"することをモデルに促すことを示す。
論文 参考訳（メタデータ） (2020-02-16T09:12:27Z)
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。