論文の概要: Rethinking Data Imbalance in Class Incremental Surgical Instrument Segmentation

• arxiv url: http://arxiv.org/abs/2610.34925v1
• Date: Mon, 26 Oct 2026 06:52:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.776144
• Title: Rethinking Data Imbalance in Class Incremental Surgical Instrument Segmentation
• Title（参考訳）: インクリメンタル手術機器セグメンテーションにおけるデータ不均衡の再考
• Abstract要約: SurgCSSは、データ不均衡下での手術器具のセグメンテーションのための新しいプラグアンドプレイフレームワークである。 様々なシナリオにおいて,楽器の塗布とブレンドによってリアルな外科的背景を創出する。 本研究では,データ不均衡によるエッジバイアスを補正するために,コントラスト学習を用いたクラス脱感作損失を提案する。
• 参考スコア（独自算出の注目度）: 46.53136178504759
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In surgical instrument segmentation, the increasing variety of instruments over time poses a significant challenge for existing neural networks, as they are unable to effectively learn such incremental tasks and suffer from catastrophic forgetting. When learning new data, the model experiences a sharp performance drop on previously learned data. Although several continual learning methods have been proposed for incremental understanding tasks in surgical scenarios, the issue of data imbalance often leads to a strong bias in the segmentation head, resulting in poor performance. Data imbalance can occur in two forms: (i) class imbalance between new and old data, and (ii) class imbalance within the same time point of data. Such imbalances often cause the dominant classes to take over the training process of continual semantic segmentation (CSS). To address this issue, we propose SurgCSS, a novel plug-and-play CSS framework for surgical instrument segmentation under data imbalance. Specifically, we generate realistic surgical backgrounds through inpainting and blend instrument foregrounds with the generated backgrounds in a class-aware manner to balance the data distribution in various scenarios. We further propose the Class Desensitization Loss by employing contrastive learning to correct edge biases caused by data imbalance. Moreover, we dynamically fuse the weight parameters of the old and new models to achieve a better trade-off between the biased and unbiased model weights. To investigate the data imbalance problem in surgical scenarios, we construct a new benchmark for surgical instrument CSS by integrating datasets. Extensive experiments demonstrate the effectiveness of the proposed framework, achieving significant performance improvement against existing baselines.
• Abstract（参考訳）: 手術器具のセグメンテーションにおいて、時間とともに多種多様な機器が増加することは、そのような漸進的なタスクを効果的に学習できず、破滅的な忘れ込みに苦しむため、既存のニューラルネットワークにとって重大な課題となる。 新しいデータを学習するとき、モデルは、以前に学習したデータに対して、急激なパフォーマンス低下を経験する。 外科的シナリオにおける漸進的理解のための連続的学習法がいくつか提案されているが、データ不均衡の問題はしばしばセグメンテーションヘッドに強いバイアスをもたらし、性能が低下する。 データ不均衡は2つの形式で起こりうる。 (i)新旧データのクラス不均衡、及び (ii)データの同じ時点内におけるクラス不均衡。 このような不均衡は、しばしば支配的なクラスが連続的セマンティックセグメンテーション(CSS)のトレーニングプロセスを引き継ぐ。 この問題に対処するために,SurgCSSを提案する。SurgCSSは,データ不均衡下での手術器具のセグメンテーションのための新しいCSSフレームワークである。 具体的には,様々なシナリオでデータ分布のバランスをとるために,画像の塗り絵やブレンド楽器の背景をクラス認識で生成した背景と組み合わせることで,リアルな手術的背景を生成する。 さらに,データ不均衡によるエッジバイアスを補正するために,コントラスト学習を用いたクラス脱感作損失を提案する。 さらに,従来のモデルと新しいモデルの重みパラメータを動的に融合させて,偏りのあるモデルと偏りのないモデルの重みとのトレードオフを改善する。 外科的シナリオにおけるデータ不均衡の問題を調査するために、データセットを統合することにより、手術器具CSSの新しいベンチマークを構築した。 大規模な実験により提案フレームワークの有効性が実証され,既存のベースラインに対して大幅な性能向上が達成された。

関連論文リスト

• Gradient Reweighting: Towards Imbalanced Class-Incremental Learning [8.438092346233054]
  CIL(Class-Incremental Learning)は、非定常データから新しいクラスを継続的に認識するためにモデルを訓練する。 CILの大きな課題は、非一様分布を特徴とする実世界のデータに適用する場合である。 この二重不均衡問題により、FC層に偏りのある勾配更新が生じ、CILの過度/過度な適合と破滅的な忘れが引き起こされる。
  論文  参考訳（メタデータ） (2024-02-28T18:08:03Z)
• Simplifying Neural Network Training Under Class Imbalance [77.39968702907817]
  実世界のデータセットは、しばしば高いクラス不均衡であり、ディープラーニングモデルのパフォーマンスに悪影響を及ぼす可能性がある。 クラス不均衡下でのニューラルネットワークのトレーニングに関する研究の大部分は、特殊な損失関数、サンプリング技術、または2段階のトレーニング手順に焦点を当てている。 バッチサイズやデータ拡張,ラベルの平滑化といった,標準的なディープラーニングパイプラインの既存のコンポーネントを単にチューニングするだけで,そのような特殊なクラス不均衡な手法を使わずに,最先端のパフォーマンスを達成できることを実証する。
  論文  参考訳（メタデータ） (2023-12-05T05:52:44Z)
• Phased Progressive Learning with Coupling-Regulation-Imbalance Loss for Imbalanced Classification [11.673344551762822]
  ディープニューラルネットワークは、一般に、異なるクラス間の量不均衡と分類困難の不均衡に苦しむデータセットで性能が良くない。 表象学習から上位クラス化学習への学習強調を円滑に伝達する段階的な進行学習スケジュールが提案された。 私たちのコードはまもなくオープンソースになります。
  論文  参考訳（メタデータ） (2022-05-24T14:46:39Z)
• Deep Reinforcement Learning for Multi-class Imbalanced Training [64.9100301614621]
  我々は、極めて不均衡なデータセットをトレーニングするために、強化学習に基づく不均衡な分類フレームワークを導入する。 特注報酬関数とエピソード学習手順を定式化し、特にマルチクラス不均衡トレーニングを扱えるようにした。 実世界の臨床ケーススタディを用いて,提案手法が現状の非バランス学習法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-24T13:39:59Z)
• CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep Learning [55.733193075728096]
  現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。 サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。 本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
  論文  参考訳（メタデータ） (2022-02-11T13:49:51Z)
• Mitigating Dataset Imbalance via Joint Generation and Classification [17.57577266707809]
  教師付きディープラーニング手法は、コンピュータビジョンの多くの実践的応用において大きな成功を収めている。 バイアスや不均衡データに対する顕著な性能劣化は、これらの手法の信頼性に疑問を投げかける。 ニューラルネットワーク分類器とGAN(Generative Adversarial Networks)を組み合わせた共同データセット修復戦略を提案する。 重度のクラス不均衡に対する分類器とGANの堅牢性向上に寄与することを示す。
  論文  参考訳（メタデータ） (2020-08-12T18:40:38Z)
• Long-Tailed Recognition Using Class-Balanced Experts [128.73438243408393]
  本稿では,多様な分類器の強度を組み合わせたクラスバランスの専門家のアンサンブルを提案する。 私たちのクラスバランスの専門家のアンサンブルは、最先端に近い結果に到達し、長い尾の認識のための2つのベンチマークで新たな最先端のアンサンブルを確立します。
  論文  参考訳（メタデータ） (2020-04-07T20:57:44Z)

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。