論文の概要: CNN in CT Image Segmentation: Beyound Loss Function for Expoliting Ground Truth Images

• arxiv url: http://arxiv.org/abs/2004.03882v1
• Date: Wed, 8 Apr 2020 08:44:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 09:02:26.417001
• Title: CNN in CT Image Segmentation: Beyound Loss Function for Expoliting Ground Truth Images
• Title（参考訳）: CT画像分割におけるCNN : 地中真実画像の抽出におけるByound Loss関数
• Authors: Youyi Song, Zhen Yu, Teng Zhou, Jeremy Yuen-Chun Teoh, Baiying Lei, Kup-Sze Choi, Jing Qin
• Abstract要約: 本稿では,損失関数を超えてGT画像を利用する新しい,実用的な手法を提案する。 我々の洞察では、GTとCTでそれぞれ訓練された2つのCNNの特徴マップは、ある距離空間で類似しているはずだ。 したがって、これらの2つのCNNの特徴マップを一貫性のあるものにすることで、GT画像を利用する。
• 参考スコア（独自算出の注目度）: 24.293265578530015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Exploiting more information from ground truth (GT) images now is a new research direction for further improving CNN's performance in CT image segmentation. Previous methods focus on devising the loss function for fulfilling such a purpose. However, it is rather difficult to devise a general and optimization-friendly loss function. We here present a novel and practical method that exploits GT images beyond the loss function. Our insight is that feature maps of two CNNs trained respectively on GT and CT images should be similar on some metric space, because they both are used to describe the same objects for the same purpose. We hence exploit GT images by enforcing such two CNNs' feature maps to be consistent. We assess the proposed method on two data sets, and compare its performance to several competitive methods. Extensive experimental results show that the proposed method is effective, outperforming all the compared methods.
• Abstract（参考訳）: 地上の真理(GT)画像からより多くの情報を公開することは、CT画像セグメンテーションにおけるCNNのパフォーマンスをさらに改善するための新たな研究方向である。 従来の手法は、そのような目的を達成するための損失関数の考案に重点を置いていた。 しかし、汎用的で最適化しやすい損失関数を考案することは比較的困難である。 本稿では,損失関数を超えてGT画像を利用する新しい,実用的な手法を提案する。 我々の洞察では、GTとCTでそれぞれ訓練された2つのCNNの特徴マップは、同じ目的のために同じオブジェクトを記述するために使用されるため、いくつかの距離空間で類似しているはずだ。 したがって、これらの2つのCNNの特徴マップを一貫性のあるものにすることで、GT画像を利用する。 提案手法を2つのデータセットで評価し,その性能をいくつかの競合手法と比較した。 広範な実験結果から,提案手法の有効性が示され,比較手法を上回った。

関連論文リスト

• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Mix-up Self-Supervised Learning for Contrast-agnostic Applications [33.807005669824136]
  コントラストに依存しないアプリケーションのための,最初の混合型自己教師型学習フレームワークを提案する。 クロスドメイン・ミックスアップに基づく画像間の低分散に対処し、画像再構成と透明性予測に基づくプレテキストタスクを構築する。
  論文  参考訳（メタデータ） (2022-04-02T16:58:36Z)
• Contrastive Feature Loss for Image Prediction [55.373404869092866]
  教師付き画像合成モデルのトレーニングでは、批評家は2つの画像を比較する必要がある。 本稿では,2つの画像間の類似度を測定するための情報理論に基づくアプローチを提案する。 この定式化により,L1損失の代替として,出力画像の知覚的リアリズムが向上することを示す。
  論文  参考訳（メタデータ） (2021-11-12T20:39:52Z)
• Graph Attention Layer Evolves Semantic Segmentation for Road Pothole Detection: A Benchmark and Algorithms [34.80667966432126]
  既存の道路穴検出アプローチは、コンピュータビジョンベースまたは機械学習ベースに分類される。 後者のアプローチは一般的に、畳み込みニューラルネットワーク(CNN)をエンドツーエンドに使用した道路孔検出に対処する。 本稿では,既存の任意のCNNに容易に展開可能で,画像特徴表現をセマンティックセグメンテーションに最適化できる新しいCNN層を提案する。
  論文  参考訳（メタデータ） (2021-09-06T19:44:50Z)
• DetCo: Unsupervised Contrastive Learning for Object Detection [64.22416613061888]
  教師なしのコントラスト学習は,CNNを用いた画像表現学習において大きな成功を収めている。 我々は,グローバルイメージとローカルイメージパッチのコントラストをフルに検討する,DetCoという新しいコントラスト学習手法を提案する。 DetCoは1倍のスケジュールでMask RCNN-C4/FPN/RetinaNet上で1.6/1.2/1.0 APで教師付き手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2021-02-09T12:47:20Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• Improving Text to Image Generation using Mode-seeking Function [5.92166950884028]
  異なる画像を生成するための特別なモード探索損失関数を開発する。 われわれのモデルは、Caltech BirdsデータセットとMicrosoft COCOデータセットで検証する。 実験結果から,我々のモデルは最先端のアプローチと比較して非常によく機能することが示された。
  論文  参考訳（メタデータ） (2020-08-19T12:58:32Z)
• Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
  病理組織像における腺分節に対するPRS2モデルを提案する。 このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。 我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
  論文  参考訳（メタデータ） (2020-08-06T15:02:38Z)
• Temporal Distinct Representation Learning for Action Recognition [139.93983070642412]
  2次元畳み込みニューラルネットワーク (2D CNN) はビデオの特徴付けに用いられる。 ビデオの異なるフレームは同じ2D CNNカーネルを共有しており、繰り返し、冗長な情報利用をもたらす可能性がある。 本稿では,異なるフレームからの特徴の識別チャネルを段階的にエキサイティングにするためのシーケンシャルチャネルフィルタリング機構を提案し,繰り返し情報抽出を回避する。 本手法は,ベンチマーク時相推論データセットを用いて評価し,それぞれ2.4%,1.3%の可視性向上を実現している。
  論文  参考訳（メタデータ） (2020-07-15T11:30:40Z)
• Image Segmentation Using Hybrid Representations [2.414172101538764]
  医用画像セグメンテーションのための DU-Net という,エンド・ツー・エンドのU-Net ベースのネットワークを提案する。 SCは変換不変であり、リプシッツは変形に連続し、DU-Netは他の従来のCNNよりも優れる。 提案手法は,最先端手法と競合する性能を持つ基本U-Netよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-04-15T13:07:35Z)

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。