論文の概要: Unsupervised Community Detection with a Potts Model Hamiltonian, an
Efficient Algorithmic Solution, and Applications in Digital Pathology
- arxiv url: http://arxiv.org/abs/2002.01599v1
- Date: Wed, 5 Feb 2020 01:20:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 21:46:18.262193
- Title: Unsupervised Community Detection with a Potts Model Hamiltonian, an
Efficient Algorithmic Solution, and Applications in Digital Pathology
- Title（参考訳）: 効率的なアルゴリズム解であるポッツモデルハミルトンによる教師なしコミュニティ検出とデジタル病理学への応用
- Authors: Brendon Lutnick, Wen Dong, Zohar Nussinov, and Pinaki Sarder
- Abstract要約: 本稿では,各色特徴に基づく入力画像画素の高速な統計的ダウンサンプリングと,セグメント関係を考慮したポッツモデルエネルギーの最小化手法を提案する。
特に腎疾患における腎糸球体微小環境のセグメンテーションにおいて,医用顕微鏡画像のセグメンテーションに本法の応用を実証した。
- 参考スコア（独自算出の注目度）: 1.6506888719932784
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised segmentation of large images using a Potts model Hamiltonian is
unique in that segmentation is governed by a resolution parameter which scales
the sensitivity to small clusters. Here, the input image is first modeled as a
graph, which is then segmented by minimizing a Hamiltonian cost function
defined on the graph and the respective segments. However, there exists no
closed form solution of this optimization, and using previous iterative
algorithmic solution techniques, the problem scales quadratically in the Input
Length. Therefore, while Potts model segmentation gives accurate segmentation,
it is grossly underutilized as an unsupervised learning technique. We propose a
fast statistical down-sampling of input image pixels based on the respective
color features, and a new iterative method to minimize the Potts model energy
considering pixel to segment relationship. This method is generalizable and can
be extended for image pixel texture features as well as spatial features. We
demonstrate that this new method is highly efficient, and outperforms existing
methods for Potts model based image segmentation. We demonstrate the
application of our method in medical microscopy image segmentation;
particularly, in segmenting renal glomerular micro-environment in renal
pathology. Our method is not limited to image segmentation, and can be extended
to any image/data segmentation/clustering task for arbitrary datasets with
discrete features.
- Abstract（参考訳）: ポッツモデルハミルトニアンを用いた大きな画像の教師なしセグメンテーションは、セグメンテーションが小さなクラスタに感度をスケールする分解パラメータによって制御されるという点でユニークである。
ここで、入力画像はまずグラフとしてモデル化され、次にグラフと各セグメントで定義されるハミルトニアンコスト関数を最小化することでセグメント化される。
しかし、この最適化の閉形式解は存在せず、従来の反復的アルゴリズム解法を用いて入力長を2次的にスケールする。
したがって、ポッツモデルセグメンテーションは正確なセグメンテーションを与えるが、教師なし学習技術として完全には利用されない。
本稿では,各色特徴に基づく入力画像画素の高速統計的ダウンサンプリングと,画素とセグメントの関係を考慮したポッツモデルエネルギーを最小化する新しい反復的手法を提案する。
この方法は一般化可能であり、画像画素テクスチャの特徴や空間的特徴に拡張することができる。
提案手法は高効率であり,Pottsモデルに基づく画像セグメンテーションの既存手法よりも優れていることを示す。
特に腎疾患における腎糸球体微小環境のセグメンテーションにおいて,医用顕微鏡画像のセグメンテーションに本法の応用を実証した。
本手法は画像セグメンテーションに限らず,個々の特徴を持つ任意のデータセットに対して任意の画像/データセグメンテーション/クラスタリングタスクに拡張可能である。
関連論文リスト
- Pixel-Inconsistency Modeling for Image Manipulation Localization [59.968362815126326]
デジタル画像法医学は、画像認証と操作のローカライゼーションにおいて重要な役割を果たす。
本稿では,画素不整合アーチファクトの解析を通じて,一般化されたロバストな操作ローカライゼーションモデルを提案する。
実験により,本手法は固有の画素不整合偽指紋を抽出することに成功した。
論文 参考訳（メタデータ） (2023-09-30T02:54:51Z) - A Sparse Graph Formulation for Efficient Spectral Image Segmentation [0.0]
スペクトルクラスタリングは、セグメンテーション問題を解決する最も伝統的な方法の1つである。
単純なグリッドグラフに余分なノードを含めることで、スパースグラフを定式化します。
元の正規化カットアルゴリズムをこのグラフに適用すると、スペクトル画像セグメンテーションの単純でスケーラブルな方法が導かれる。
論文 参考訳（メタデータ） (2023-06-22T19:06:27Z) - Learning to Annotate Part Segmentation with Gradient Matching [58.100715754135685]
本稿では,事前学習したGANを用いて,高品質な画像を生成することで,半教師付き部分分割タスクに対処することに焦点を当てる。
特に、アノテータ学習を学習から学習までの問題として定式化する。
提案手法は,実画像,生成された画像,さらには解析的に描画された画像を含む,幅広いラベル付き画像からアノテータを学習可能であることを示す。
論文 参考訳（メタデータ） (2022-11-06T01:29:22Z) - Estimating Appearance Models for Image Segmentation via Tensor
Factorization [0.0]
本稿では,画像からの外観モデルを直接推定する手法を提案する。
本手法は,潜時変モデルに対するテンソル分解に基づく推定器への入力として,画像からの局所的な高次色統計値を用いる。
このアプローチは、マルチリージョン画像のモデルを推定し、事前のユーザインタラクションなしで自動的にリージョン比を出力することができる。
論文 参考訳（メタデータ） (2022-08-16T17:21:00Z) - Class Balanced PixelNet for Neurological Image Segmentation [20.56747443955369]
画素レベルの畳み込みニューラルネットワーク(CNN)を用いた自動脳腫瘍分割法(PixelNetなど)を提案する。
提案モデルは脳腫瘍と虚血性脳梗塞のセグメンテーションデータセットにおいて有望な結果を得た。
論文 参考訳（メタデータ） (2022-04-23T10:57:54Z) - PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia
Segmentation in CT Images [83.26057031236965]
画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。
PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。
このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
論文 参考訳（メタデータ） (2021-08-09T04:58:23Z) - BoundarySqueeze: Image Segmentation as Boundary Squeezing [104.43159799559464]
本研究では,オブジェクトとシーンの微細な高画質画像分割のための新しい手法を提案する。
形態素画像処理技術による拡張と浸食に着想を得て,画素レベルのセグメンテーション問題をスクイーズ対象境界として扱う。
提案手法は,COCO,Cityscapesのインスタンス・セグメンテーション・セグメンテーション・セグメンテーションにおいて大きく向上し,同一条件下での精度・速度ともに従来のPointRendよりも優れていた。
論文 参考訳（メタデータ） (2021-05-25T04:58:51Z) - Nonparametric clustering for image segmentation [0.0]
画像分割への非パラメトリッククラスタリングの適用について検討し,このタスクに特有のアルゴリズムを提供する。
ピクセル類似性は、色表現の密度の観点から評価され、ピクセルの隣接構造が悪用される。
提案手法は、画像の分割と境界の検出の両方に作用し、しきい値化手法のクラスのカラー画像への一般化と見なすことができる。
論文 参考訳（メタデータ） (2021-01-20T22:27:44Z) - Superpixel Segmentation Based on Spatially Constrained Subspace
Clustering [57.76302397774641]
独立意味情報を持つ各代表領域を部分空間とみなし,部分空間クラスタリング問題としてスーパーピクセルセグメンテーションを定式化する。
従来のサブスペースクラスタリングとスーパーピクセルセグメンテーションの簡単な統合は,画素の空間相関のために効果的に機能しないことを示す。
本稿では,空間隣接画素に類似の属性を付加してスーパーピクセルにクラスタリング可能な,凸局所性制約付きサブスペースクラスタリングモデルを提案する。
論文 参考訳（メタデータ） (2020-12-11T06:18:36Z) - SegFix: Model-Agnostic Boundary Refinement for Segmentation [75.58050758615316]
既存のセグメンテーションモデルによって生成されるセグメンテーション結果の境界品質を改善するためのモデルに依存しない後処理方式を提案する。
内部画素のラベル予測がより信頼性が高いという実証的な観察により、我々は、内部画素の予測によって、もともと信頼できない境界画素の予測を置き換えることを提案する。
論文 参考訳（メタデータ） (2020-07-08T17:08:08Z) - Spectral Image Segmentation with Global Appearance Modeling [0.913755431537592]
我々は,グローバルな外見モデリングのための長距離関係を組み込んだ画像分割のための新しいスペクトル法を提案する。
このアプローチは2つの異なるグラフを組み合わせており、1つは近くのピクセル間の空間的関係をキャプチャするスパースグラフであり、もう1つはすべてのピクセル間のペアの類似性をキャプチャする密度の高いグラフである。
論文 参考訳（メタデータ） (2020-06-11T16:21:54Z)
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。