論文の概要: What Survives Label Downsampling? Exact Region Survival for Coarse Segmentation Targets

• arxiv url: http://arxiv.org/abs/2610.39880v1
• Date: Thu, 29 Oct 2026 11:57:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:26:35.481343
• Title: What Survives Label Downsampling? Exact Region Survival for Coarse Segmentation Targets
• Title（参考訳）: ラベルのダウンサンプリングは生き残るか? 粗いセグメンテーションターゲットが生き残る地域
• Abstract要約: ストライドを予測するネットワークは、ストライドサンプリング、最も近い隣のリサンプリング、あるいは多数プールによってダウンサンプリングされたラベルマップに対してトレーニングされる。 提案するMatchDownは,領域と占有するグリッドセル間の最小コストのマッチングから,粗いターゲットを構築する。 これは、任意の1つの領域毎のターゲットが許容できる限り多くの領域を保持し、どれだけの損失が避けられないかを証明し、優先度の高い階層(MatchDown-P)は、少なくとも1つのセルの領域のすべての評価された領域(測定値が得点する領域)を保持する。
• 参考スコア（独自算出の注目度）: 2.881102649838797
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmentation networks that predict at an output stride are trained against label maps downsampled by strided sampling, nearest-neighbor resampling or majority pooling. These methods label each coarse grid cell on its own, so a region that wins no cell is absent from the target and receives no positive label. We present MatchDown, which builds the coarse target from a minimum-cost matching between regions and the grid cells they occupy. It keeps as many regions as any one-region-per-cell target can, certifies how many losses are unavoidable, and with priority tiers (MatchDown-P) keeps every evaluated region (a region that a metric scores) of at least one cell's area. On COCO, Cityscapes and BBBC038 at factors 2 to 16, MatchDown-P loses exactly the minimum number of regions, whereas the downsampling used by StarDist, nnU-Net and connectomics pyramids loses four to five times as many on COCO at factor 8. Keeping a region in the target and reconstructing its shape are different problems: we show that no region lost by majority pooling can be reconstructed above IoU 0.5 by upsampling any coarse target, yet on BBBC038 a star-convex head trained on MatchDown targets segments 35% of the nuclei that majority pooling loses above IoU 0.5, against 15% when trained on majority targets and 24% on StarDist's strided target. On two nucleus datasets, with thresholds cross-validated for count error, this head has instance accuracy at IoU 0.5 (Acc50) 2.6 to 4.2 points above the strided target and at most 2.8 points below cell-center sampling, and a lower count error than the strided and cell-center targets on BBBC039. On BBBC039, an affinity head, which outputs one label per cell, lowers count error relative to majority targets by 9.3 nuclei per image at 7.2 points lower Acc50. MatchDown runs once, before training, in place of the label-downsampling step.
• Abstract（参考訳）: 出力ストライドで予測するセグメンテーションネットワークは、ストライドサンプリング、最も近い隣のリサンプリング、あるいは多数プールによってダウンサンプリングされたラベルマップに対してトレーニングされる。 これらの方法は、それぞれの粗いグリッドセルを単独でラベル付けするので、セルに勝利しない領域はターゲットから欠落し、正のラベルを受け取らない。 そこで我々は,領域と占有するグリッドセル間の最小コストのマッチングから,粗いターゲットを構築するMatchDownを提案する。 これは、任意の1つの領域毎のターゲットが許容できる限り多くの領域を保持し、どれだけの損失が避けられないかを証明し、優先度の高い階層(MatchDown-P)は、少なくとも1つのセルの領域のすべての評価された領域(測定値が得点する領域)を保持する。 COCO、Cityscapes、BBBC038は第2から第16因子で、MatchDown-Pは第8因子でCOCOの4倍から第5倍に減少する一方、StarDist、nnU-Net、コネクトロミクスピラミッドのダウンサンプリングは第8因子で4倍から第8因子で減少する。 BBBC038では、MatchDownターゲットセグメントでトレーニングされたスターコンベックスヘッドの35%がIoU0.5以上で、多数ターゲットでトレーニングされた場合の15%、StarDistのストライドターゲットで24%が、IoU0.5以上でトレーニングされた。 2つの核データセットにおいて、カウント誤差の閾値が交差する閾値を持つこのヘッドは、ストリップされたターゲットの2.6から4.2ポイント、セル中心サンプリングの2.8ポイント、ストリップされたターゲットとセル中心のターゲットのBBBC039よりも低いカウント誤差を持つ。 BBBC039では、セルごとに1つのラベルを出力するアフィニティヘッドが、Acc50より7.2ポイント低い画像当たりの核数9.3のカウント誤差を減少させる。 MatchDownは、ラベルダウンサンプリングのステップの代わりに、トレーニング前に一度実行される。

関連論文リスト

• AmbiModBench: Benchmarking Gene Perturbation Prediction Beyond Shared Responses [48.72528617189033]
  遺伝的摂動に対する細胞応答の予測は、単細胞ゲノム学における実験の優先順位付けに役立つ。 本稿では,AmbiModBenchを提案する。
  論文  参考訳（メタデータ） (2026-09-26T12:10:35Z)
• Target-Checked Reliability Score Refinement for Video Question Answering [3.8271803328378677]
  モデルの再トレーニングや回答の変更を伴わずに、目標シフトの下で回答レベルの信頼性スコアを改善できるかどうかを検討する。 3つの固定されたビデオ言語モデルから、4つの決定論的ビデオサンプリングに基づいてオプション確率リストを収集する。 選択した回答に割り当てられた確率として定義される原点スコアと,開発データセットに基づいて学習したヒストグラムに基づく勾配ボスティング(HGB)スコアを比較した。 候補は、ビデオレベルの繰り返しチェックがポジティブで安定した改善を示す場合にのみ、元のスコアを置き換える。
  論文  参考訳（メタデータ） (2026-09-09T08:29:00Z)
• Zero-Shot Adaptation of Medical Vision Foundation Models for High-Frequency Micro-Ultrasound Prostate Segmentation [0.28675177318965045]
  従来の超音波は、腺の正確な境界をぼかす。 マイクロ超音波(29MHz)は解像度を3倍改善するが、外壁を隠蔽する密度の高い音響スペックルを導入している。 監督された手法はコストがかかり、スキャナー全体の一般化が不十分である。 我々は、このモダリティのための最初のゼロショットパイプラインを提示する: MedSAMは150万以上の医療画像で事前訓練されている。
  論文  参考訳（メタデータ） (2026-08-14T18:07:15Z)
• Diversity Matters: Distributional Feature Coverage Sample Selection for Data-Efficient Backdoor Attacks [22.452076838251575]
  バックドア攻撃は、モデルがクリーンな精度を維持するためにトレーニングデータを妥協するが、トリガされた入力に対してアタッカー・チョーゼンターゲットを予測する。 本研究では,無訓練トリガ診断法であるDFCS(Distributal Feature Coverage Sample Selection)を提案する。 BadNetsとBlendedのCIFAR-10、Tiny-ImageNet、Imagenetteに対する攻撃全体で、DFCSは6つのデータセット-アタック設定で7つのセレクタの中で最高平均攻撃成功率を達成する。
  論文  参考訳（メタデータ） (2026-08-10T02:52:24Z)
• Distance to Class Prototypes: Active Learning for Object Detection [14.738453379093961]
  新しい環境でのディープオブジェクト検出器は、その設定からデータに注釈をつけるコストよりも、アーキテクチャによって制限される。 アクティブラーニングは、ラベル付けする画像を選択することでコストを下げる。 我々は、あるネットワークの1つの前方通過からまだ読み取っていない後部よりもリッチな信号を提案する。
  論文  参考訳（メタデータ） (2026-07-28T06:12:45Z)
• Ensemble Threshold Calibration for Stable Sensitivity Control [0.0]
  本稿では,数千万組の幾何対もの幾何に対して,過度に分散した正確なリコールを実現するエンド・ツー・エンドのフレームワークを提案する。 我々のアプローチは、小さなエラーで常にリコールターゲットにヒットし、他のキャリブレーションと比較して冗長な検証を減らし、単一のTPU v3コア上でエンドツーエンドで実行します。
  論文  参考訳（メタデータ） (2025-10-02T15:22:28Z)
• Less is More: Fewer Interpretable Region via Submodular Subset Selection [54.07758302264416]
  本稿では,上述の画像帰属問題を部分モジュラ部分選択問題として再モデル化する。 我々は、より正確な小さな解釈領域を発見するために、新しい部分モジュラー関数を構築する。 正しく予測されたサンプルに対しては,HSIC-Attributionに対する平均4.9%と2.5%の利得で,Deletion and Insertionスコアを改善した。
  論文  参考訳（メタデータ） (2024-02-14T13:30:02Z)
• GreedyFool: Distortion-Aware Sparse Adversarial Attack [138.55076781355206]
  現代のディープニューラルネットワーク(DNN)は、敵のサンプルに対して脆弱である。 スパース逆数サンプルは、数ピクセルだけを摂動させることでターゲットモデルを騙すことができる。 GreedyFoolと呼ばれる2段階の歪みを考慮したグリーディ法を提案する。
  論文  参考訳（メタデータ） (2020-10-26T17:59:07Z)
• PointGroup: Dual-Set Point Grouping for 3D Instance Segmentation [111.7241018610573]
  私たちは、インスタンスセグメンテーションのための新しいエンドツーエンドボトムアップアーキテクチャであるPointGroupを紹介します。 我々は2分岐ネットワークを設計し、ポイントの特徴を抽出し、セマンティックラベルとオフセットを予測し、各ポイントをそれぞれのインスタンスセントロイドに向けてシフトさせる。 クラスタリングコンポーネントは、元のおよびオフセットシフトされた点座標セットの両方を利用するために、その相補的な強度を利用する。 ScanNet v2 と S3DIS の2つの挑戦的データセットに対する広範な実験を行い、ScanNet v2 と S3DIS が最も高い性能を達成し、63.6% と 64.0% の2つを以前のベストが達成した54.9% と54.4% と比較した。
  論文  参考訳（メタデータ） (2020-04-03T16:26:37Z)

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。