抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
半教師つきセグメンテーションを実現する強力な方法として,交差監視法は,豊富なラベルなし画像を用いた独立アンサンブルモデルに基づくクロス一貫性を学習する。しかし,交差監視によって発生する誤った擬似ラベリング情報は,訓練プロセスを混乱させ,セグメンテーションモデルの有効性に悪影響を与える。また,そのような方法におけるアンサンブルモデルの訓練プロセスは,計算資源のコストを多重にし,訓練効率を低下させる。これらの問題を解決するために,新しい交差監視法,すなわち,不確実性誘導自己交差監視(USCS)を提案した。アンサンブルモデルに加えて,まず,共有モデルで多重出力を生成し,その結果,出力に一貫性を課し,パラメータおよび計算のコストを節約できる多入力多出力(MIMO)セグメンテーションモデルを設計した。他方,著者らは,擬似ラベルの高信頼領域に焦点を合わせ,自己交差監視における誤った擬似ラベリングの影響を緩和するための誘導情報として不確実性を採用し,セグメンテーションモデルの性能を改善した。大規模な実験は,著者らの方法が,パラメータおよび計算に関して40.5%および49.1%のコストを節約しながら,最先端の性能を達成することを示した。【JST・京大機械翻訳】