論文の概要: TEMPL: A Resource-Efficient and Transparent Model-Free Framework for Pseudo-Label Generation in Material CT Scans

• arxiv url: http://arxiv.org/abs/2610.28974v1
• Date: Tue, 20 Oct 2026 22:48:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.156259
• Title: TEMPL: A Resource-Efficient and Transparent Model-Free Framework for Pseudo-Label Generation in Material CT Scans
• Title（参考訳）: TEMPL: 材料CTスキャンにおける擬似ラベル生成のための資源効率・透過的モデルフリーフレームワーク
• Abstract要約: グレースケールCTスキャンから直接擬似ラベルを生成する多段階モデルフリーフレームワークを提案する。 しきい値、形態的拡張、および、事前訓練された重み付けやラベル付きデータ、GPUを使わずに多角形アノテーションを生成するために、独自の幅優先の検索領域成長アルゴリズムを組み合わせる。 我々は、完全に教師付き3D U-Netと古典的ベースラインであるゼロショットセグメンテーションモデル(SAM)と比較する。
• 参考スコア（独自算出の注目度）: 4.046252767873908
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The scarcity of large annotated datasets limits deep learning (DL) segmentation in material CT analysis. DL-based pseudo-labeling can help, but it is often computationally expensive and hard to interpret. We introduce a multi-stage, model-free framework that generates pseudo-labels directly from grayscale CT scans. It combines thresholding, morphological dilation, and a custom breadth-first search region-growing algorithm to produce polygonal annotations without pre-trained weights, labeled data, or a GPU. We compare it against the zero-shot Segment Anything Model (SAM), a fully supervised 3D U-Net, and classical baselines. On a dendrite dataset with ground truth, our method reaches 63.19% IoU versus 10.74% for zero-shot SAM, with four times the instance recall at 0.5 IoU (33.3% versus 8.3%). The supervised 3D U-Net serves as a reference ceiling that requires expert labels. On a silica sand specimen, YOLO models trained on our labels performed comparably to models trained on SAM labels in a qualitative comparison. Across 1,053 extracted grains, the median equivalent diameter was 163.8 micrometers, near the specimen's known 106 to 150 micrometers sieve range, compared with 219.5 micrometers for SAM, whose labels merge adjacent particles and add spurious detections. A sensitivity analysis shows a stable operating range for the key threshold and a sharp, predictable failure point linked to phase contrast. Our method needs 15s per image on a standard CPU versus 28s for SAM on a GPU. These results support our transparent approach as a tool for annotation bootstrapping and microstructural quantification in resource-limited settings.
• Abstract（参考訳）: 大きな注釈付きデータセットの不足は、材料CT解析における深層学習(DL)セグメンテーションを制限する。 DLベースの擬似ラベルは役に立つが、計算的に高価で解釈が難しいことが多い。 グレースケールCTスキャンから直接擬似ラベルを生成する多段階モデルフリーフレームワークを提案する。 しきい値、形態的拡張、および、事前訓練された重み付けやラベル付きデータ、GPUを使わずに多角形アノテーションを生成するために、独自の幅優先の検索領域成長アルゴリズムを組み合わせる。 我々は、完全に教師付き3D U-Netと古典的ベースラインであるゼロショットセグメンテーションモデル(SAM)と比較する。 地上の真理を持つデンドライトデータセットでは、我々の手法は63.19%のIoU、ゼロショットSAMは10.74%、インスタンスリコールは0.5IoU(33.3%対8.3%)である。 3D U-Netは専門家のラベルを必要とする基準天井として機能する。 シリカ砂試料では, 定性比較により, SAMラベルで訓練したモデルに対して, YOLOモデルを比較検討した。 1,053個の穀物を抽出し、中央値の直径は163.8マイクロメートルで、標本の既知の106から150マイクロメートル近くであり、SAMの219.5マイクロメートルは隣接する粒子をマージし、急激な検出を加えた。 感度解析は、キーしきい値と位相コントラストにリンクしたシャープで予測可能な故障点との安定した動作範囲を示す。 提案手法では,標準的なCPUでは1イメージあたり15秒,GPUではSAMでは28秒が必要である。 これらの結果は、リソース制限設定におけるアノテーションブートストラップとミクロ構造定量化のためのツールとして、私たちの透過的なアプローチを支持します。

関連論文リスト

• Generalization vs. Specialization: Evaluating Segment Anything Model (SAM3) Zero-Shot Segmentation Against Fine-Tuned YOLO Detectors [3.5648679864643573]
  この研究は、ゼロショットモードで動作するSAM3(Segment Anything Model, SAMv3)とインスタンスセグメンテーションのために微調整された3種類のUltralytics YOLO11の比較を示す。 YOLOはIoU範囲で48-50点の急激な劣化を示し、SAM3はわずか4点の低下を示し、SAM3の12倍の安定性を示した。
  論文  参考訳（メタデータ） (2025-12-09T01:54:04Z)
• Crucial-Diff: A Unified Diffusion Model for Crucial Image and Annotation Synthesis in Data-scarce Scenarios [65.97836905826145]
  医療、産業、自動運転といったさまざまなシナリオにおけるデータの不足は、モデルの過度な適合とデータセットの不均衡につながる。 重要なサンプルを合成するドメインに依存しないフレームワークであるCrucial-Diffを提案する。 我々のフレームワークは多様な高品質なトレーニングデータを生成し、ピクセルレベルのAPは83.63%、F1-MAXは78.12%である。
  論文  参考訳（メタデータ） (2025-07-14T04:41:38Z)
• SAUGE: Taming SAM for Uncertainty-Aligned Multi-Granularity Edge Detection [8.651908243317301]
  我々は,セグメンテーションモデル(SAM)が,エッジラベルの不確実性をモデル化するための事前知識を提供することを明らかにした。 本モデルは,クロスデータセットエッジ検出のための強力な一般化性を示す。
  論文  参考訳（メタデータ） (2024-12-17T13:18:41Z)
• MixSup: Mixed-grained Supervision for Label-efficient LiDAR-based 3D Object Detection [59.1417156002086]
  MixSupは、大量の安価な粗いラベルと、Mixed-fine Supervisionの限られた数の正確なラベルを同時に活用する、より実用的なパラダイムである。 MixSupは、安価なクラスタアノテーションと10%のボックスアノテーションを使用して、完全な教師付きパフォーマンスの97.31%を達成している。
  論文  参考訳（メタデータ） (2024-01-29T17:05:19Z)
• Low-Resource White-Box Semantic Segmentation of Supporting Towers on 3D Point Clouds via Signature Shape Identification [52.77024349608834]
  SCENE-Netは3Dポイントクラウドセマンティックセグメンテーションのための低リソースのホワイトボックスモデルである。 ラップトップでのトレーニング時間は85分、推論時間は20ミリ秒です。 40000 Kmというラベル付きラベル付きデータセットを、農村の地形点雲とコード実装のデータセットとしてリリースしています。
  論文  参考訳（メタデータ） (2023-06-13T14:36:06Z)
• Boosting Semi-Supervised 3D Object Detection with Semi-Sampling [85.68737731673396]
  我々は、グラウンド・シークレット・ラベルと擬似ラベルを用いて、ラベル付きフレームとラベルなしフレームのgtサンプルと擬似サンプルを収穫する。 教師が指導する半教師付きフレームワークのトレーニングでは,ラベル付きフレームとラベルなしフレームの両方に対して,gtサンプルと擬似サンプルをランダムに選択する。 我々は、ScanNet、SUN-RGBD、KITTIベンチマークにおける最先端の手法を大きなマージンで継続的に改善する。
  論文  参考訳（メタデータ） (2022-11-14T03:22:03Z)
• Robust Segmentation Models using an Uncertainty Slice Sampling Based Annotation Workflow [5.051373749267151]
  本稿では,3次元医療ボリュームのセマンティックセグメンテーションのための不確実スライスサンプリング(USS)戦略を提案する。 多地点データを用いた肝セグメンテーション作業におけるUSSの有効性を示す。
  論文  参考訳（メタデータ） (2021-09-30T06:56:11Z)
• 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object Detection [76.42897462051067]
  3DIoUMatchは屋内および屋外の場面両方に適当3D目的の検出のための新しい半監視された方法です。 教師と教師の相互学習の枠組みを活用し,ラベル付けされていない列車の情報を擬似ラベルの形で伝達する。 本手法は,ScanNetとSUN-RGBDのベンチマークにおける最先端の手法を,全てのラベル比で有意差で継続的に改善する。
  論文  参考訳（メタデータ） (2020-12-08T11:06:26Z)

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。