論文の概要: Boundary Learning by Using Weighted Propagation in Convolution Network

• arxiv url: http://arxiv.org/abs/1905.09226v3
• Date: Thu, 10 Jul 2025 03:33:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.06654
• Title: Boundary Learning by Using Weighted Propagation in Convolution Network
• Title（参考訳）: 畳み込みネットワークにおける重み付き伝播を用いた境界学習
• Authors: Wei Liu, Jiahao Chen, Chuni Liu, Xiaojuan Ban, Boyuan Ma, Hao Wang, Weihua Xue, Yu Guo,
• Abstract要約: ネットワークに空間的整合性を導入し、生の顕微鏡画像の欠陥を除去する。 各粒の画素ごとの適応的境界重みをカスタマイズし、粒の幾何学的および位相的特性をネットワークに保持する。 境界検出タスクでは、エラー率を7%削減し、最先端の手法を大きなマージンで上回る。
• 参考スコア（独自算出の注目度）: 11.3458350422287
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In material science, image segmentation is of great significance for quantitative analysis of microstructures. Here, we propose a novel Weighted Propagation Convolution Neural Network based on U-Net (WPU-Net) to detect boundary in poly-crystalline microscopic images. We introduce spatial consistency into network to eliminate the defects in raw microscopic image. And we customize adaptive boundary weight for each pixel in each grain, so that it leads the network to preserve grain's geometric and topological characteristics. Moreover, we provide our dataset with the goal of advancing the development of image processing in materials science. Experiments demonstrate that the proposed method achieves promising performance in both of objective and subjective assessment. In boundary detection task, it reduces the error rate by 7\%, which outperforms state-of-the-art methods by a large margin.
• Abstract（参考訳）: 物質科学において、画像セグメンテーションは微細構造を定量的に分析するのに非常に重要である。 本稿では,U-Net(WPU-Net)をベースとした重み付き伝搬畳み込みニューラルネットワークを提案する。 ネットワークに空間的整合性を導入し、生の顕微鏡画像の欠陥を除去する。 そして、各粒の各ピクセルに対して適応的な境界重みをカスタマイズし、ネットワークが穀物の幾何学的および位相的特性を保持するようにする。 さらに,材料科学における画像処理の進歩を目標とするデータセットも提供する。 実験により,提案手法は主観的評価と主観的評価の両方において有望な性能を達成することが示された。 境界検出タスクでは、エラー率を7\%削減し、最先端の手法を大きなマージンで上回る。

関連論文リスト

• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• Human Perception-Inspired Grain Segmentation Refinement Using Conditional Random Fields [0.0]
  多結晶材料の粒界は、工学材料や新素材のナノスケールのキャラクタリゼーションを加速させるのに役立つ。 この領域の以前のアプローチは、効果的な輪郭閉鎖と連続性のためのカスタムな後処理に依存していた。 本稿では,相互接続された回線網のセグメンテーションマスクに適用可能な高速かつ高忠実なポストプロセッシング手法を提案する。
  論文  参考訳（メタデータ） (2023-12-15T17:26:01Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• DELAD: Deep Landweber-guided deconvolution with Hessian and sparse prior [0.22940141855172028]
  本稿では,古典的反復法をディープラーニングアプリケーションに組み込んだ非盲検画像デコンボリューションモデルを提案する。 このアルゴリズムは、トレーニング可能な畳み込み層と統合され、復元された画像構造と詳細を強化する。
  論文  参考訳（メタデータ） (2022-09-30T11:15:03Z)
• Understanding the Influence of Receptive Field and Network Complexity in Neural-Network-Guided TEM Image Analysis [0.0]
  透過電子顕微鏡(TEM)画像において,ニューラルネットワークのアーキテクチャ選択がニューラルネットワークセグメントに与える影響を系統的に検討した。 背景からナノ粒子を区別するために振幅コントラストに依存した低分解能TEM画像の場合、受容場はセグメンテーション性能に有意な影響を与えない。 一方、ナノ粒子を識別するために振幅と位相コントラストの組合せに依存する高分解能TEM画像では、受容場が性能向上の鍵となるパラメータである。
  論文  参考訳（メタデータ） (2022-04-08T18:45:15Z)
• Learning Neural Light Fields with Ray-Space Embedding Networks [51.88457861982689]
  我々は、コンパクトで、光線に沿った統合放射率を直接予測する新しいニューラル光場表現を提案する。 提案手法は,Stanford Light Field データセットのような,高密度の前方向きデータセットの最先端品質を実現する。
  論文  参考訳（メタデータ） (2021-12-02T18:59:51Z)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• Learning Crisp Boundaries Using Deep Refinement Network and Adaptive Weighting Loss [15.867750740607864]
  最近の境界検出モデルは、(物体の輪郭に沿って正確に位置付けられた)「クリップ」境界に焦点を当てている 本稿では,よりリッチな特徴表現と新たな損失関数を実現するために,複数の改良モジュールを積み重ねたDep refinement Network(DRNet)を提案する。 実験の結果,いくつかの利用可能なデータセットの最先端性能が得られた。
  論文  参考訳（メタデータ） (2021-02-02T04:22:35Z)
• An Empirical Method to Quantify the Peripheral Performance Degradation in Deep Networks [18.808132632482103]
  畳み込みニューラルネットワーク(CNN)カーネルは、各畳み込み層に結合する。 より深いネットワークとストライドベースのダウンサンプリングを組み合わせることで、この領域の伝播は、画像の無視できない部分をカバーすることができる。 我々のデータセットは、高解像度の背景にオブジェクトを挿入することで構築され、画像境界に対してターゲットオブジェクトを特定の位置に配置するサブイメージを収穫することができる。 マスクR-CNNの動作を目標位置の選択にわたって探索することにより、画像境界付近、特に画像コーナーにおいて、パフォーマンス劣化の明確なパターンが明らかになる。
  論文  参考訳（メタデータ） (2020-12-04T18:00:47Z)

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。