Fugu-MT 論文翻訳(概要): Random smooth gray value transformations for cross modality learning with gray value invariant networks

論文の概要: Random smooth gray value transformations for cross modality learning with gray value invariant networks

arxiv url: http://arxiv.org/abs/2003.06158v1
Date: Fri, 13 Mar 2020 09:01:08 GMT
ステータス: 処理完了
システム内更新日: 2022-12-24 02:06:16.413776
Title: Random smooth gray value transformations for cross modality learning with gray value invariant networks
Title（参考訳）: グレー値不変ネットワークを用いたクロスモーダル学習のためのランダム滑らかな灰色の値変換
Authors: Nikolas Lessmann and Bram van Ginneken
Abstract要約: そこで本研究では,画像のグレー値の変換方法を提案する。このアプローチにより、MRI画像にのみ訓練されたネットワークを用いて、胸椎体をCT画像にセグメント化することができる。
参考スコア（独自算出の注目度）: 4.10190340437982
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Random transformations are commonly used for augmentation of the training data with the goal of reducing the uniformity of the training samples. These transformations normally aim at variations that can be expected in images from the same modality. Here, we propose a simple method for transforming the gray values of an image with the goal of reducing cross modality differences. This approach enables segmentation of the lumbar vertebral bodies in CT images using a network trained exclusively with MR images. The source code is made available at https://github.com/nlessmann/rsgt
Abstract（参考訳）: ランダム変換はトレーニングデータの増大によく使われ、トレーニングサンプルの均一性を低減することを目的としている。これらの変換は通常、同じモダリティから画像に期待できるバリエーションを目標としている。そこで本研究では,画像の灰色の値をモダリティの相違を減らし,簡単な変換法を提案する。このアプローチにより、MRI画像にのみ訓練されたネットワークを用いて、胸椎体をCT画像にセグメント化することができる。ソースコードはhttps://github.com/nlessmann/rsgtで入手できる。

関連論文リスト

Cross-domain and Cross-dimension Learning for Image-to-Graph Transformers [50.576354045312115]
直接画像からグラフへの変換は、単一のモデルにおけるオブジェクトの検出と関係予測を解決するための課題である。画像-グラフ変換器のクロスドメインおよびクロス次元変換学習を可能にする一連の手法を提案する。そこで我々は,2次元の衛星画像上でモデルを事前学習し,それを2次元および3次元の異なるターゲット領域に適用する。
論文参考訳（メタデータ） (2024-03-11T10:48:56Z)
Improving the Transferability of Adversarial Examples with Arbitrary Style Transfer [32.644062141738246]
スタイル転送ネットワークは、人間の意味的内容を保持しながら、画像内の低レベルの視覚的特徴の分布を変更することができる。本稿では、任意のスタイル転送ネットワークを用いて、画像を異なる領域に変換する新たな攻撃手法であるStyle Transfer Method (STM)を提案する。提案手法は、通常訓練されたモデルまたは逆訓練されたモデルにおいて、逆変換性を大幅に向上させることができる。
論文参考訳（メタデータ） (2023-08-21T09:58:13Z)
Sorted Convolutional Network for Achieving Continuous Rotational Invariance [56.42518353373004]
テクスチャ画像のハンドメイドな特徴に着想を得たSorting Convolution (SC)を提案する。 SCは、追加の学習可能なパラメータやデータ拡張を必要とせずに連続的な回転不変性を達成する。以上の結果から, SCは, 上記の課題において, 最高の性能を達成できることが示唆された。
論文参考訳（メタデータ） (2023-05-23T18:37:07Z)
Cross-modal tumor segmentation using generative blending augmentation and self training [1.6440045168835438]
本稿では,新しいデータ拡張手法によって強化された従来の画像合成に基づくクロスモーダルセグメンテーション手法を提案する。 Generative Blending Augmentation (GBA)は、単一のトレーニング画像から代表的生成特徴を学習し、腫瘍の外観を現実的に多様化させる。提案手法は,MICCAI CrossMoDA 2022 チャレンジの検証および試験段階において,前庭神経ショーノマ(VS)セグメンテーションにおいて第1位となった。
論文参考訳（メタデータ） (2023-04-04T11:01:46Z)
GradViT: Gradient Inversion of Vision Transformers [83.54779732309653]
我々は,視力変換器(ViT)の勾配に基づく逆攻撃に対する脆弱性を実証する。自然に見える画像にランダムノイズを最適化するGradViTという手法を提案する。元の(隠された)データに対する前例のない高い忠実さと近接性を観察する。
論文参考訳（メタデータ） (2022-03-22T17:06:07Z)
TransformNet: Self-supervised representation learning through predicting geometric transformations [0.8098097078441623]
入力データに適用された幾何変換の認識のための教師なし意味特徴学習手法について述べる。我々のアプローチの基本概念は、画像中の物体を知らない人が、それらに適用された幾何学的変換を定量的に予測できないことである。
論文参考訳（メタデータ） (2022-02-08T22:41:01Z)
A training-free recursive multiresolution framework for diffeomorphic deformable image registration [6.929709872589039]
変形可能な画像登録のための新しい微分型学習自由アプローチを提案する。提案するアーキテクチャは設計上は単純で,各解像度で移動像を順次ワープし,最終的に固定像に整列する。システム全体はエンドツーエンドで、スクラッチから各2つのイメージに最適化されている。
論文参考訳（メタデータ） (2022-02-01T15:17:17Z)
Feature transforms for image data augmentation [74.12025519234153]
画像分類において、多くの拡張アプローチは単純な画像操作アルゴリズムを利用する。本研究では,14種類の拡張アプローチを組み合わせて生成した画像を追加することで,データレベルでのアンサンブルを構築する。事前トレーニングされたResNet50ネットワークは、各拡張メソッドから派生した画像を含むトレーニングセットに基づいて微調整される。
論文参考訳（メタデータ） (2022-01-24T14:12:29Z)
Quantised Transforming Auto-Encoders: Achieving Equivariance to Arbitrary Transformations in Deep Networks [23.673155102696338]
畳み込みニューラルネットワーク(CNN)は画像翻訳と等価である。埋め込みは任意の等式関係を同時に従うオートエンコーダアーキテクチャを提案する。いくつかのデータセット上で入力画像の変換版の再レンダリングに成功した結果を示す。
論文参考訳（メタデータ） (2021-11-25T02:26:38Z)
FeatMatch: Feature-Based Augmentation for Semi-Supervised Learning [64.32306537419498]
本稿では,複雑な変換を多様に生成する特徴量に基づく改良・拡張手法を提案する。これらの変換は、クラスタリングを通じて抽出したクラス内およびクラス間の両方の情報も利用します。提案手法は,大規模データセットにスケールアップしながら,より小さなデータセットに対して,現在の最先端技術に匹敵するものであることを実証する。
論文参考訳（メタデータ） (2020-07-16T17:55:31Z)
FDA: Fourier Domain Adaptation for Semantic Segmentation [82.4963423086097]
本稿では,教師なし領域適応の簡易な手法について述べる。一方の低周波スペクトルを他方と交換することにより,音源と対象分布の相違を低減できる。本手法を意味的セグメンテーション(semantic segmentation, 意味的セグメンテーション, 意味的セグメンテーション)で説明する。以上の結果から,より高度な手法が学習に苦しむデータにおいて,単純な手順であってもニュアンス変動を低減できる可能性が示唆された。
論文参考訳（メタデータ） (2020-04-11T22:20:48Z)

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。