論文の概要: Cross-polarization pairing for label-free few-shot thin-section classification

• arxiv url: http://arxiv.org/abs/2610.24546v1
• Date: Sat, 17 Oct 2026 08:14:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 17:44:40.935289
• Title: Cross-polarization pairing for label-free few-shot thin-section classification
• Title（参考訳）: ラベルなし小ショットスライセクション分類のためのクロスポーラライゼーションペアリング
• Abstract要約: トレーニングスライドが特定されていない場合, 未知の岩石の種類を数ショットで認識する。 ラベルなしで見つかる陽性は、アンカーの間違いかほぼ重複しているため、モデルをほとんど教えません。 我々は,各スライドを擬似クラスとして扱い,同一フィールド位置のPPLとXPLのビューをペアリングするクロスポーラライゼーションペアリング(XPP)を提案する。
• 参考スコア（独自算出の注目度）: 0.5076419064097734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot classifiers of rock thin sections are meta-trained on many rock types that a petrographer has identified slide by slide, and this identification is the costly step that new collections lack. We study few-shot recognition of unseen rock types when no training slide is identified, and the only information available is what the microscope records anyway: which slide an image comes from, and whether it was taken in plane-polarized (PPL) or cross-polarized (XPL) light. We first show why generic unsupervised pseudo-tasks fit this setting poorly: the positives they find without labels are either wrong or near-duplicates of the anchor, so they teach the model little. Polarized-light microscopy provides positives that avoid both problems. The PPL and XPL views of one field show the same grains, so they are correct by construction, yet they look very different. We propose cross-polarization pairing (XPP), which treats each slide as a pseudo-class and pairs its PPL and XPL views of the same field location, so that matching must rely on grain shape and texture rather than on colour. On the Nanjing University collection of 108 rock types, with support and query images taken from different slides, XPP is the best label-free method on average over three random splits, and matches a supervised model trained on 78 identified rock types. Controls show that colour augmentation and other acquisition positives do not reproduce the gain. We also show that the image-level protocol of earlier work is saturated, and propose a cross-slide protocol in its place.
• Abstract（参考訳）: 岩石の薄切片の少ない分類器は、岩石学者がスライドで特定した多くの岩石タイプでメタトレーニングされており、この識別は、新しいコレクションが欠落するコストのかかるステップである。 トレーニングスライドが特定されていない場合,未確認の岩の種類を何枚か認識し,顕微鏡がどのスライドから来たか,平面偏光 (PPL) や横偏光 (XPL) の光で撮影されたか,といった情報しか得られない。 ラベルなしで見つかる正の値はアンカーの誤りか、あるいはほぼ重複しているため、モデルはほとんど教えられません。 偏光顕微鏡は両方の問題を回避できる正の値を与える。 あるフィールドの PPL と XPL のビューは、同じ粒度を示すので、それらは構成によって正しいが、非常に異なるように見える。 我々は,各スライドを擬似クラスとして扱い,同一フィールド位置のPPLとXPLのビューをペアリングするクロスポーラライゼーションペアリング(XPP)を提案する。 南京大学の108種類の岩のコレクションでは、異なるスライドからのサポートとクェリ画像が撮られ、XPPは平均3回以上のランダムスプリットでラベルなしの手法であり、78個の岩のタイプで訓練された教師付きモデルと一致している。 コントロールは、色増強やその他の獲得陽性が利得を再現しないことを示す。 また,従来の画像レベルのプロトコルが飽和していることを示し,その代わりにクロススライディングプロトコルを提案する。

関連論文リスト

• Look Closer: Patch-wise Supervision for AI-Generated Image Detection [7.095365403752337]
  小さなRGB領域は、全シーンをほとんど明らかにしていない場合でも、画像合成の有用な証拠を保持することができる。 単一パッチ検出によってモチベーションを得たパッチ管理について検討する。 実験は、シングルパッチの選択、複数のジェネレータコレクション、4つのCNNとTransformerバックボーンにまたがる。
  論文  参考訳（メタデータ） (2026-09-29T16:19:18Z)
• Whole-Slide Image Analysis under Realistic Few-Shot Annotation Protocols [19.724558192829093]
  本研究では,空間的および生物学的な手がかりを組み合わせ,条件付きランダムフィールドを全スライド画像に適用するSlideCRFを提案する。 また,空間的局所的なクリックとスクリブルに基づく,現実的なアノテーションプロトコルのセットも提供する。
  論文  参考訳（メタデータ） (2026-08-31T08:17:44Z)
• PhenoStitch: Training-Free Panoptic Crop Mapping from Satellite Image Time Series [2.1010398528585825]
  PhenoStitchは、タスク固有のトレーニングを必要としない、単眼の作物加工パイプラインである。 PASTIS-Rの20.0の作物mIoU、76.2のセグメンテーション品質、6.2のパン光学品質を5倍の3シード評価で達成する。
  論文  参考訳（メタデータ） (2026-08-01T21:11:01Z)
• Superpixelwise Low-rank Approximation based Partial Label Learning for Hyperspectral Image Classification [19.535446654147126]
  キャプチャーされたハイパースペクトル画像(HSI)シーンの十分な事前知識は、専門家や自動ラベルシステムに誤ったラベルや曖昧なラベルを提供する可能性がある。 本稿では,新しい超画素単位の低ランク近似(LRA)に基づく部分ラベル学習法,SLAPを提案する。
  論文  参考訳（メタデータ） (2024-05-27T12:26:49Z)
• Learning to Rank Patches for Unbiased Image Redundancy Reduction [80.93989115541966]
  画像は、隣接する領域の画素が空間的に相関しているため、空間的冗長性に悩まされる。 既存のアプローチでは、意味の少ない画像領域を減らし、この制限を克服しようとしている。 本稿では,Learning to Rank Patchesと呼ばれる画像冗長性低減のための自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-31T13:12:41Z)
• Self-similarity Driven Scale-invariant Learning for Weakly Supervised Person Search [66.95134080902717]
  自己相似性駆動型スケール不変学習(SSL)という新しいワンステップフレームワークを提案する。 本稿では,ネットワークを前景と学習スケール不変の機能に集中させるための,マルチスケール・エクステンプラー・ブランチを提案する。 PRWおよびCUHK-SYSUデータベースの実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-02-25T04:48:11Z)
• Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
  超高解像度画像のための混合監視学習フレームワークを提案する。 パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。 画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
  論文  参考訳（メタデータ） (2021-07-02T09:46:06Z)
• KRADA: Known-region-aware Domain Alignment for Open World Semantic Segmentation [64.03817806316903]
  セマンティックセグメンテーションでは、画像中のすべてのピクセルにカテゴリラベルを割り当てるために、ピクセルレベルの分類器を訓練することを目指している。 オープンな世界では、ラベル付けされていないテスト画像はおそらく未知のカテゴリを含み、ラベル付けされた画像とは異なる分布を持つ。 本稿では,未知のクラスを識別し,ラベル付きおよびラベルなしのオープンワールド画像中の既知のクラスの分布を整列する,エンドツーエンドの学習フレームワークKRADAを提案する。
  論文  参考訳（メタデータ） (2021-06-11T08:43:59Z)

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。