論文の概要: Instance Segmentation of Biomedical Images with an Object-aware Embedding Learned with Local Constraints

• arxiv url: http://arxiv.org/abs/2004.09821v1
• Date: Tue, 21 Apr 2020 08:33:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 06:11:09.226787
• Title: Instance Segmentation of Biomedical Images with an Object-aware Embedding Learned with Local Constraints
• Title（参考訳）: 局所制約で学習した物体認識埋め込みを用いた生体画像のインスタンス分割
• Authors: Long Chen, Martin Strauch, Dorit Merhof
• Abstract要約: State-of-the-artアプローチはセマンティックセグメンテーションまたは洗練されたオブジェクトバウンディングボックスを実行する。 どちらも、隣のオブジェクトをマージしたり、有効なオブジェクトを抑圧したりして、さまざまな程度に混雑するオブジェクトに悩まされる。 本研究では,深層ニューラルネットワークを用いて各画素に埋め込みベクトルを割り当てる。
• 参考スコア（独自算出の注目度）: 7.151685185368064
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic instance segmentation is a problem that occurs in many biomedical applications. State-of-the-art approaches either perform semantic segmentation or refine object bounding boxes obtained from detection methods. Both suffer from crowded objects to varying degrees, merging adjacent objects or suppressing a valid object. In this work, we assign an embedding vector to each pixel through a deep neural network. The network is trained to output embedding vectors of similar directions for pixels from the same object, while adjacent objects are orthogonal in the embedding space, which effectively avoids the fusion of objects in a crowd. Our method yields state-of-the-art results even with a light-weighted backbone network on a cell segmentation (BBBC006 + DSB2018) and a leaf segmentation data set (CVPPP2017). The code and model weights are public available.
• Abstract（参考訳）: 自動インスタンスセグメンテーションは、多くの生体医学応用で発生する問題である。 State-of-the-artアプローチは、検出方法から得られたセグメンテーションまたは洗練されたオブジェクト境界ボックスを実行する。 どちらも、隣のオブジェクトをマージしたり、有効なオブジェクトを抑圧したり、さまざまな程度に混雑するオブジェクトに悩まされる。 本研究では,ディープニューラルネットワークを用いて,各画素に埋め込みベクトルを割り当てる。 ネットワークは、同じオブジェクトから同じ方向のピクセルの埋め込みベクトルを出力するように訓練され、隣接するオブジェクトは埋め込み空間で直交し、群衆内のオブジェクトの融合を効果的に回避する。 本手法は, セルセグメンテーション (BBBC006 + DSB2018) とリーフセグメンテーションデータセット (CVPPP2017) を用いた軽量バックボーンネットワークにおいても, 最先端の結果が得られる。 コードとモデルの重み付けが公開されている。

関連論文リスト

• Depth-aware Panoptic Segmentation [1.4170154234094008]
  本稿では, パンオプティカルセグメンテーションのための新しいCNN手法を提案する。 そこで本研究では,同じ物体に対して画素の割り当てを行う深度対応ダイス損失項を提案する。 Cityscapesデータセットで行った実験では、提案手法が誤って1つのインスタンスにマージされたオブジェクトの数を減少させることを示した。
  論文  参考訳（メタデータ） (2024-03-21T08:06:49Z)
• Instance Segmentation of Dense and Overlapping Objects via Layering [8.870513218826083]
  本稿では,オブジェクト階層化による問題を解くための新しい手法を提案する。 空間的に分離されたオブジェクトを同じ層にグループ化することで、インスタンスを懸命に分離することができる。 後処理の最小化により,本手法は多様なデータセットに対して非常に競争力のある結果をもたらす。
  論文  参考訳（メタデータ） (2022-10-07T13:37:56Z)
• SOLO: A Simple Framework for Instance Segmentation [84.00519148562606]
  インスタンスカテゴリ"は、インスタンスの場所に応じて、インスタンス内の各ピクセルにカテゴリを割り当てる。 SOLO"は、強力なパフォーマンスを備えたインスタンスセグメンテーションのための、シンプルで、直接的で、高速なフレームワークです。 提案手法は, 高速化と精度の両面から, 実例分割の最先端結果を実現する。
  論文  参考訳（メタデータ） (2021-06-30T09:56:54Z)
• Object-Guided Instance Segmentation With Auxiliary Feature Refinement for Biological Images [58.914034295184685]
  サンプルセグメンテーションは、神経細胞相互作用の研究、植物の表現型化、細胞が薬物治療にどう反応するかを定量的に測定するなど、多くの生物学的応用において非常に重要である。 Boxベースのインスタンスセグメンテーションメソッドは、バウンディングボックスを介してオブジェクトをキャプチャし、各バウンディングボックス領域内で個々のセグメンテーションを実行する。 提案手法は,まずオブジェクトの中心点を検出し,そこから境界ボックスパラメータが予測される。 セグメンテーションブランチは、オブジェクト特徴をガイダンスとして再利用し、同じバウンディングボックス領域内の隣のオブジェクトからターゲットオブジェクトを分離する。
  論文  参考訳（メタデータ） (2021-06-14T04:35:36Z)
• SegmentMeIfYouCan: A Benchmark for Anomaly Segmentation [111.61261419566908]
  ディープニューラルネットワーク(DNN)は通常、閉集合のセマンティッククラスで訓練される。 未発見のオブジェクトを扱うには不備だ。 このような物体の検出と局在化は、自動運転の認識などの安全クリティカルなアプリケーションに不可欠です。
  論文  参考訳（メタデータ） (2021-04-30T07:58:19Z)
• Non-Salient Region Object Mining for Weakly Supervised Semantic Segmentation [64.2719590819468]
  弱教師付きセマンティックセグメンテーションのための非塩分領域オブジェクトマイニング手法を提案する。 擬似ラベルの偽陰性率を低減するために、潜在的なオブジェクトマイニングモジュールを提案する。 非サリエント領域マスキングモジュールは、非サリエント領域内のオブジェクトをさらに発見するのに役立ちます。
  論文  参考訳（メタデータ） (2021-03-26T16:44:03Z)
• DyStaB: Unsupervised Object Segmentation via Dynamic-Static Bootstrapping [72.84991726271024]
  我々は,コヒーレントなシーン全体を移動しているように見えるシーンの画像の一部を検出し,分割するための教師なしの手法について述べる。 提案手法はまず,セグメント間の相互情報を最小化することにより,運動場を分割する。 セグメントを使用してオブジェクトモデルを学習し、静的なイメージの検出に使用することができる。
  論文  参考訳（メタデータ） (2020-08-16T22:05:13Z)
• Learning RGB-D Feature Embeddings for Unseen Object Instance Segmentation [67.88276573341734]
  合成データからRGB-D特徴埋め込みを学習し,オブジェクトのインスタンスセグメンテーションを未確認する手法を提案する。 距離学習損失関数を用いて画素単位の機能埋め込みを学習する。 新たな2段階クラスタリングアルゴリズムにより,セグメンテーションの精度をさらに向上する。
  論文  参考訳（メタデータ） (2020-07-30T00:23:07Z)
• A Survey on Instance Segmentation: State of the art [1.8782750537161614]
  インスタンスセグメンテーションは、オブジェクト検出とセグメンテーションの問題を同時に解決する技術である。 本論文は,インスタンスセグメンテーションの分野で研究したい人に対して,貴重な情報を提供する。
  論文  参考訳（メタデータ） (2020-06-28T14:39:20Z)
• Reinforced Coloring for End-to-End Instance Segmentation [10.73460247817528]
  本稿では,複数の物体を並列に区別する方法を学習する,反復的深層強化学習エージェントを提案する。 トレーニング可能なエージェントに対する報酬関数は、グラフカラー化アルゴリズムを用いて、同じオブジェクトに属するピクセルをグループ化することを好んで設計する。
  論文  参考訳（メタデータ） (2020-05-14T15:15:47Z)

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。