再帰的近似タスクを用いた画像セグメンテーションのためのマルチタスク深層学習【JST・京大機械翻訳】

Ke Rihuan; Bugeau Aurelie; Papadakis Nicolas; Kirkland Mark; Schuetz Peter; Schonlieb Carola-Bibiane

プレプリント

J-GLOBAL ID：202202218638345617 整理番号：21P0033237

再帰的近似タスクを用いた画像セグメンテーションのためのマルチタスク深層学習【JST・京大機械翻訳】

Multi-task deep learning for image segmentation using recursive approximation tasks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2020年05月26日プレプリントサーバーでの情報更新日： 2020年05月26日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

セグメンテーションのための完全教師つき深層ニューラルネットワークは,通常,手動で高価な大量のピクセルレベルラベルを必要とする。本研究では,この制約を緩和するためのマルチタスク学習法を開発した。再帰的に定義され,近似精度のレベルを増加する近似部分問題のシーケンスとしてセグメンテーション問題を検討した。サブ問題は,1)画像の小部分のピクセルレベルグランドトルースセグメンテーションマスクから学習するセグメンテーションタスク,2)各オブジェクトインスタンスの部分マスクから出発する部分オブジェクト領域学習とデータ駆動マスク進化を行う再帰的近似タスク,および3)スパースアノテーションで訓練され,専用特徴の学習を促進する他の問題指向補助タスク,から成るフレームワークによって扱われる。ほとんどの訓練画像は,完全セグメンテーションマスクではなく,正確なオブジェクト境界を含まない(粗)部分マスクによってのみラベル付けされる。訓練フェーズの間,近似タスクは,これらの部分マスクの統計を学習し,部分領域は,完全データ駆動方式でセグメンテーションタスクから学習された情報によって支援されたオブジェクト境界に向けて再帰的に増加する。ネットワークを,非常に少量の正確に分割された画像と粗いラベルの大きな集合で訓練した。したがって,注釈は安い方法で得ることができる。顕微鏡画像と超音波画像による3つの応用における著者らのアプローチの効率を実証した。【JST・京大機械翻訳】

, , , , , ,
, , , , , , , , 【Automatic Indexing@JST】

パターン認識 , 図形・画像処理一般

, , , ,

前のページに戻る