Boosting Semi-supervised Image Segmentation with Global and Local Mutual\n Information Regularization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The scarcity of labeled data often impedes the application of deep learning\nto the segmentation of medical images. Semi-supervised learning seeks to\novercome this limitation by exploiting unlabeled examples in the learning\nprocess. In this paper, we present a novel semi-supervised segmentation method\nthat leverages mutual information (MI) on categorical distributions to achieve\nboth global representation invariance and local smoothness. In this method, we\nmaximize the MI for intermediate feature embeddings that are taken from both\nthe encoder and decoder of a segmentation network. We first propose a global MI\nloss constraining the encoder to learn an image representation that is\ninvariant to geometric transformations. Instead of resorting to\ncomputationally-expensive techniques for estimating the MI on continuous\nfeature embeddings, we use projection heads to map them to a discrete cluster\nassignment where MI can be computed efficiently. Our method also includes a\nlocal MI loss to promote spatial consistency in the feature maps of the decoder\nand provide a smoother segmentation. Since mutual information does not require\na strict ordering of clusters in two different assignments, we incorporate a\nfinal consistency regularization loss on the output which helps align the\ncluster labels throughout the network. We evaluate the method on four\nchallenging publicly-available datasets for medical image segmentation.\nExperimental results show our method to outperform recently-proposed approaches\nfor semi-supervised segmentation and provide an accuracy near to full\nsupervision while training with very few annotated images.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle