Class-balanced Open-set Semi-supervised Object Detection for Medical Images

要約

現実世界の医療画像データセットはラベルが付けられておらず、不均衡であることが多く、半教師あり物体検出 (SSOD) はラベルなしのデータを利用して物体検出器を改善できます。
ただし、既存のアプローチでは、ラベルのないデータとテスト データには配布外 (OOD) クラスが含まれていないことが主に想定されていました。
いくつかのオープンセットの半教師ありオブジェクト検出方法には 2 つの弱点があります。1 つは、クラスの不均衡が考慮されていないことです。
2 番目に、OOD インスタンスは区別され、擬似ラベル付け中に単純に破棄されます。
この論文では、OOD クラスを含むラベルなしデータを利用して医療画像の物体検出を改善する、開集合の半教師あり物体検出問題について考察します。
私たちの研究には、Category Control Embed (CCE) と out-of-distribution Detection Fusion Classifier (OODFC) という 2 つの重要なイノベーションが組み込まれています。
CCE はフォアグラウンド情報ライブラリを構築することでデータセットの不均衡に対処するように設計されており、OODFC は「未知の」情報を基本的な疑似ラベルに統合することでオープンセットの課題に取り組みます。
私たちの手法は最先端の SSOD パフォーマンスを上回り、公開されている Parasite データセットで 4.25 mAP の改善を達成しました。

要約(オリジナル)

Medical image datasets in the real world are often unlabeled and imbalanced, and Semi-Supervised Object Detection (SSOD) can utilize unlabeled data to improve an object detector. However, existing approaches predominantly assumed that the unlabeled data and test data do not contain out-of-distribution (OOD) classes. The few open-set semi-supervised object detection methods have two weaknesses: first, the class imbalance is not considered; second, the OOD instances are distinguished and simply discarded during pseudo-labeling. In this paper, we consider the open-set semi-supervised object detection problem which leverages unlabeled data that contain OOD classes to improve object detection for medical images. Our study incorporates two key innovations: Category Control Embed (CCE) and out-of-distribution Detection Fusion Classifier (OODFC). CCE is designed to tackle dataset imbalance by constructing a Foreground information Library, while OODFC tackles open-set challenges by integrating the “unknown” information into basic pseudo-labels. Our method outperforms the state-of-the-art SSOD performance, achieving a 4.25 mAP improvement on the public Parasite dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google