論文の概要: Pseudo-Label Foreground Quality Weighting for Domain-Generalized Fundus Image Segmentation

• arxiv url: http://arxiv.org/abs/2610.23911v1
• Date: Wed, 30 Sep 2026 16:16:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:34:59.165221
• Title: Pseudo-Label Foreground Quality Weighting for Domain-Generalized Fundus Image Segmentation
• Title（参考訳）: ドメイン一般化基底画像分割のための擬似ラベル前景品質重み付け
• Abstract要約: 半教師学習は、ラベルのないデータを活用することにより、一般化を向上させることができる。 標準雑音学生訓練は、すべての疑似ラベルを同様に信頼できるものとして扱う。 マルチタスクDice予測器は、教師生成マスクからODおよびOC固有の擬似ラベル品質を推定する。
• 参考スコア（独自算出の注目度）: 0.19514194744184568
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optic disc (OD) and optic cup (OC) segmentation is central to automated glaucoma assessment, but models trained on limited labeled fundus datasets often degrade under domain shift. Semi-supervised Teacher-Student learning can improve generalization by leveraging unlabeled data, yet standard Noisy Student training treats all pseudo-labels as equally reliable. In this paper we investigate a targeted extension of Noisy Student training in which OD- and OC-specific pseudo-label supervision is modulated using a mask-derived reliability estimate. A multitask Dice predictor estimates OD- and OC-specific pseudo-label quality from Teacher-generated masks, and these estimates are used to weight the pseudo-label loss during Student training. This preserves the baseline contribution of low-scoring foreground pseudo-labels while assigning greater relative emphasis to pseudo-labels predicted to be more reliable. Experiments across known and unseen domains show improvements over the Noisy Student baseline, particularly for OC segmentation, while maintaining competitive generalization performance.
• Abstract（参考訳）: オプティカルディスク(OD)とオプティカルカップ(OC)セグメンテーション(OC)セグメンテーションは自動緑内障評価の中心であるが、限定ラベル付きファンドスデータセットでトレーニングされたモデルはドメインシフトによって劣化することが多い。 半教師学習は、ラベルのないデータを活用することで一般化を向上させることができるが、標準的な雑音学習は、すべての擬似ラベルを同様に信頼できるものとして扱う。 本稿では,OD-およびOC-specific pseudo-label supervision をマスクによる信頼度推定を用いて変調したノイズ学生訓練のターゲット拡張について検討する。 マルチタスクDice予測器は、教師生成マスクからODおよびOC固有の擬似ラベル品質を推定し、これらの推定は、学生のトレーニング中に擬似ラベル損失を重み付けするために使用される。 これは、低スコアの擬似ラベルのベースライン貢献を保ちつつ、より信頼性が高いと予測される擬似ラベルの相対的強調を割り当てる。 既知の領域と見えない領域をまたいだ実験では、特にOCセグメンテーションにおいて、ノイズ学生のベースラインよりも改善され、競争上の一般化性能が維持されている。

関連論文リスト

• ThreshGuide: Class-Aware Labeled-Guided Thresholding for Semi-Supervised 3D Abdominal Multi-Organ Segmentation [3.770501032214957]
  ThreshGuideは、ラベル付きデータを使用してラベルなしデータの擬似ラベル選択をガイドする、クラス対応しきい値適応フレームワークである。 FLARE2022とAMOS2022の実験では、ThreshGuideは全体的に競争力を発揮している。
  論文  参考訳（メタデータ） (2026-09-14T02:38:51Z)
• OFD-Net: Teacher-Free Reliable Semi-supervised Medical Image Segmentation with Orthogonal Feature Disentanglement Net of Foreground-Background [11.21872807442803]
  我々は,教師なしの半教師型医用画像セグメンテーションのための単一ネットワークフレームワーク OFD-Netを提案する。 OFD-Netは、OFDM(Orthogonal Feature Disentanglement Module)を使用して、ラベルなしデータを背景および前景表現に切り離すことによって、信頼性の高いSSLのためにOFDM機能をキャプチャする。 さらに、主予測と非絡み合った前景応答の構造的整合性に基づいてラベル付き指導を評価し、訓練中に信頼できない領域を減らし、信頼性に敏感な擬似ラベル学習機構を開発する。
  論文  参考訳（メタデータ） (2026-07-18T08:39:40Z)
• Diverse Teaching and Label Propagation for Generic Semi-Supervised Medical Image Segmentation [16.657966370261494]
  3つのタスク全てをマスターする汎用フレームワークを開発する。 この問題を解決する鍵は、ラベルのないデータに対して信頼できる擬似ラベルを生成する方法にある。 提案するフレームワークを5つのベンチマークデータセットで評価する。
  論文  参考訳（メタデータ） (2025-08-12T01:33:30Z)
• 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)
• Debiased Pseudo Labeling in Self-Training [77.83549261035277]
  ディープニューラルネットワークは、大規模ラベル付きデータセットの助けを借りて、幅広いタスクで顕著なパフォーマンスを達成する。 ラベル付きデータの要求を軽減するため、ラベル付けされていないデータに擬似ラベルを付けることにより、学術と産業の両方で自己学習が広く使われている。 疑似ラベルの生成と利用を2つの独立した頭文字で分離するデバイアスドを提案する。
  論文  参考訳（メタデータ） (2022-02-15T02:14:33Z)
• Semi-Supervised Semantic Segmentation of Vessel Images using Leaking Perturbations [1.5791732557395552]
  Leaking GANは、網膜血管セグメンテーションのためのGANベースの半教師付きアーキテクチャである。 私たちのキーとなるアイデアは、ジェネレータから情報を漏らすことで識別器を汚染することです。 これにより、より穏健な世代がGANのトレーニングに役立ちます。
  論文  参考訳（メタデータ） (2021-10-22T18:25:08Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)
• A Teacher-Student Framework for Semi-supervised Medical Image Segmentation From Mixed Supervision [62.4773770041279]
  そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。 我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
  論文  参考訳（メタデータ） (2020-10-23T07:58:20Z)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)

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。