論文の概要: Dense Steerable Filter CNNs for Exploiting Rotational Symmetry in Histology Images

• arxiv url: http://arxiv.org/abs/2004.03037v2
• Date: Mon, 20 Jul 2020 12:22:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 07:30:11.666898
• Title: Dense Steerable Filter CNNs for Exploiting Rotational Symmetry in Histology Images
• Title（参考訳）: 集束型フィルターcnnによる組織像の回転対称性の活用
• Authors: Simon Graham, David Epstein and Nasir Rajpoot
• Abstract要約: 組織像は本質的に回転下で対称であり、それぞれの方向が等しく現れる。 Dense Steerable Filter CNN (DSF-CNNs) は、密結合されたフレームワークにおいて、各フィルタの複数の回転コピーを持つグループ畳み込みを使用する。 そこで本研究では,DSF-CNNが3つの異なる課題に適用した場合に,パラメータを著しく少なく,最先端の性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 3.053417311299492
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Histology images are inherently symmetric under rotation, where each orientation is equally as likely to appear. However, this rotational symmetry is not widely utilised as prior knowledge in modern Convolutional Neural Networks (CNNs), resulting in data hungry models that learn independent features at each orientation. Allowing CNNs to be rotation-equivariant removes the necessity to learn this set of transformations from the data and instead frees up model capacity, allowing more discriminative features to be learned. This reduction in the number of required parameters also reduces the risk of overfitting. In this paper, we propose Dense Steerable Filter CNNs (DSF-CNNs) that use group convolutions with multiple rotated copies of each filter in a densely connected framework. Each filter is defined as a linear combination of steerable basis filters, enabling exact rotation and decreasing the number of trainable parameters compared to standard filters. We also provide the first in-depth comparison of different rotation-equivariant CNNs for histology image analysis and demonstrate the advantage of encoding rotational symmetry into modern architectures. We show that DSF-CNNs achieve state-of-the-art performance, with significantly fewer parameters, when applied to three different tasks in the area of computational pathology: breast tumour classification, colon gland segmentation and multi-tissue nuclear segmentation.
• Abstract（参考訳）: 組織像は本質的に回転下で対称であり、それぞれの方向が等しく現れる。 しかし、この回転対称性は現代の畳み込みニューラルネットワーク(cnns)の事前知識として広くは使われておらず、それぞれの方向で独立した特徴を学ぶデータ飢えたモデルを生み出している。 CNNを回転同変にすることで、データからこの変換セットを学習する必要がなくなり、代わりにモデルのキャパシティが解放され、より差別的な特徴が学習できるようになる。 この要求パラメータ数の削減は、オーバーフィッティングのリスクを減少させる。 本稿では,各フィルタの複数の回転コピーを持つ群畳み込みを,密結合した枠組みで用いる,密集したステアブルフィルタcnn (dsf-cnns) を提案する。 各フィルタは、ステアブル基底フィルタの線形結合として定義され、標準フィルタと比較して正確な回転とトレーニング可能なパラメータの数を減らすことができる。 また, 異なる回転同値cnnのヒストロジー画像解析における最初の詳細な比較を行い, 回転対称性を現代のアーキテクチャにエンコードする利点を実証した。 dsf-cnnsは,乳腺の分類,大腸腺分画,多施設核分画という3つの計算病理領域の異なる課題に適用することで,極めて少ないパラメータで最先端のパフォーマンスを達成できることを示した。

関連論文リスト

• 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)
• Rotation-Scale Equivariant Steerable Filters [1.213915839836187]
  生検組織のデジタル組織像は、任意の向きと倍率で撮影でき、異なる解像度で保存できる。 本稿では、ステアブルフィルタとスケール空間理論を組み込んだ回転スケール可変フィルタ(RSESF)を提案する。 我々の手法は他の手法よりも優れており、トレーニング可能なパラメータは少なく、GPUリソースも少ない。
  論文  参考訳（メタデータ） (2023-04-10T14:13:56Z)
• Scale-Equivariant UNet for Histopathology Image Segmentation [1.213915839836187]
  畳み込みニューラルネットワーク(CNN)は、特定のスケールでそのような画像で訓練されたが、異なるスケールのものに一般化することができない。 本稿では,スケール空間理論に基づく画像分割のためのスケール・エクイバティブUNet(SEUNet)を提案する。
  論文  参考訳（メタデータ） (2023-04-10T14:03:08Z)
• RIC-CNN: Rotation-Invariant Coordinate Convolutional Neural Network [56.42518353373004]
  回転不変座標変換(RIC-C)と呼ばれる新しい畳み込み演算を提案する。 CNNの標準畳み込み層を対応するRCC-Cに置き換えることで、RCC-CNNを導出することができる。 RIC-CNNはMNISTの回転試験データセット上で最先端の分類を実現することが観察できる。
  論文  参考訳（メタデータ） (2022-11-21T19:27:02Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• FILTRA: Rethinking Steerable CNN by Filter Transform [59.412570807426135]
  操舵可能なCNNの問題は群表現論の側面から研究されている。 フィルタ変換によって構築されたカーネルは群表現論でも解釈可能であることを示す。 この解釈は、ステアブルCNN理論のパズルを完成させ、ステアブル畳み込み演算子を実装するための、新しく簡単なアプローチを提供する。
  論文  参考訳（メタデータ） (2021-05-25T03:32:34Z)
• ACDC: Weight Sharing in Atom-Coefficient Decomposed Convolution [57.635467829558664]
  我々は,CNNにおいて,畳み込みカーネル間の構造正則化を導入する。 我々はCNNがパラメータや計算量を劇的に減らして性能を維持していることを示す。
  論文  参考訳（メタデータ） (2020-09-04T20:41:47Z)
• Beyond CNNs: Exploiting Further Inherent Symmetries in Medical Images for Segmentation [11.797343325320474]
  医用腫瘍分離のための新しいグループ同変セグメンテーションフレームワークを提案する。 さらなる対称性を活用することで、新しいセグメンテーションCNNは、サンプルの複雑さとフィルタの冗長性を劇的に減らすことができる。 新たに構築されたGER-UNetは、通常のCNNベースと、実際の臨床データに対する最先端のセグメンテーション方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-05-08T09:36:50Z)
• Local Rotation Invariance in 3D CNNs [3.579867431007686]
  局所回転不変量 (LRI) 画像解析は多くの応用において基礎となることが示されている。 本稿では,LRI CNNを指向性に敏感に取得するためのいくつかの手法を提案し,比較する。 その結果、LRI画像解析の重要性が示され、トレーニング可能なパラメータが大幅に削減され、データ拡張で訓練された標準3D CNNよりも優れていた。
  論文  参考訳（メタデータ） (2020-03-19T16:24:49Z)
• Roto-Translation Equivariant Convolutional Networks: Application to Histopathology Image Analysis [11.568329857588099]
  畳み込みネットワークにおける特殊ユークリッド運動群SE(2)の幾何学的構造を符号化する枠組みを提案する。 提案手法を用いることで,一貫した性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-20T13:44:29Z)
• Computational optimization of convolutional neural networks using separated filters architecture [69.73393478582027]
  我々は、計算複雑性を低減し、ニューラルネットワーク処理を高速化する畳み込みニューラルネットワーク変換を考える。 畳み込みニューラルネットワーク(CNN)の使用は、計算的に要求が多すぎるにもかかわらず、画像認識の標準的なアプローチである。
  論文  参考訳（メタデータ） (2020-02-18T17:42:13Z)

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。