Fugu-MT 論文翻訳(概要): Mining self-similarity: Label super-resolution with epitomic representations

論文の概要: Mining self-similarity: Label super-resolution with epitomic representations

arxiv url: http://arxiv.org/abs/2004.11498v2
Date: Mon, 13 Dec 2021 21:12:26 GMT
ステータス: 処理完了
システム内更新日: 2022-12-10 03:53:35.426852
Title: Mining self-similarity: Label super-resolution with epitomic representations
Title（参考訳）: マイニング自己相似性:エピトーマ表現を用いたラベル超解像
Authors: Nikolay Malkin, Anthony Ortiz, Caleb Robinson and Nebojsa Jojic
Abstract要約: エピトームのような単純なパッチベースのモデルでは,セマンティックセグメンテーションやラベル超解像における技術の現状よりも優れた性能が得られることを示す。我々は、非常に大きなデータセットから初めて学習できる、エピトームのための新しいトレーニングアルゴリズムを導出する。
参考スコア（独自算出の注目度）: 19.00781920549796
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We show that simple patch-based models, such as epitomes, can have superior performance to the current state of the art in semantic segmentation and label super-resolution, which uses deep convolutional neural networks. We derive a new training algorithm for epitomes which allows, for the first time, learning from very large data sets and derive a label super-resolution algorithm as a statistical inference algorithm over epitomic representations. We illustrate our methods on land cover mapping and medical image analysis tasks.
Abstract（参考訳）: 本稿では,エピトームなどの単純なパッチベースモデルが,深い畳み込みニューラルネットワークを用いた意味セグメンテーションやラベル超解像において,現在の技術よりも優れた性能を発揮することを示す。エピトームのための新しいトレーニングアルゴリズムを考案し、非常に大きなデータセットから初めて学習し、エピトーム表現上の統計的推論アルゴリズムとしてラベル超解法アルゴリズムを導出する。本稿では,土地被覆マッピングと医用画像解析タスクについて述べる。

関連論文リスト

Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文参考訳（メタデータ） (2023-08-31T05:05:53Z)
Provably Efficient Representation Learning with Tractable Planning in Low-Rank POMDP [81.00800920928621]
部分的に観測可能なマルコフ決定過程(POMDP)における表現学習の研究まず,不確実性(OFU)に直面した最大推定(MLE)と楽観性を組み合わせた復調性POMDPのアルゴリズムを提案する。次に、このアルゴリズムをより広範な$gamma$-observable POMDPのクラスで機能させる方法を示す。
論文参考訳（メタデータ） (2023-06-21T16:04:03Z)
Invariant Causal Mechanisms through Distribution Matching [86.07327840293894]
本研究では、因果的視点と不変表現を学習するための新しいアルゴリズムを提供する。実験により,このアルゴリズムは様々なタスク群でうまく動作し,特にドメインの一般化における最先端のパフォーマンスを観察する。
論文参考訳（メタデータ） (2022-06-23T12:06:54Z)
Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文参考訳（メタデータ） (2021-12-15T01:45:32Z)
Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
論文参考訳（メタデータ） (2021-11-27T12:12:57Z)
HistoTransfer: Understanding Transfer Learning for Histopathology [9.231495418218813]
我々は、ImageNetと病理組織データに基づいてトレーニングされたネットワークから抽出された特徴の性能を比較した。より複雑なネットワークを用いて学習した機能が性能向上につながるかどうかを検討する。
論文参考訳（メタデータ） (2021-06-13T18:55:23Z)
Deep Learning Based Segmentation of Various Brain Lesions for Radiosurgery [0.8431877864777444]
臨床定位放射線治療データセットに最先端のディープラーニングセグメンテーションアルゴリズムをベンチマークした。特に, サンプリング手法, モデルアーキテクチャ, 損失関数の選択について, モデル性能を比較した。
論文参考訳（メタデータ） (2020-07-22T09:35:04Z)
Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
半教師付き学習における簡単なメタ学習アルゴリズムを提案する。その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
論文参考訳（メタデータ） (2020-07-08T08:48:56Z)
Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray Images [0.0]
医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
論文参考訳（メタデータ） (2020-07-01T20:48:35Z)
Graph-based State Representation for Deep Reinforcement Learning [1.5901689240516976]
基礎となるマルコフ決定プロセス(MDP)がグラフを表現しているという事実を利用して、このトポロジ情報を有効状態表現学習に組み込むことができる。近年のグラフ解析タスクにおけるノード表現の成功により,ノード表現学習手法が深部RLにおける基礎となるMDPのトポロジを効果的にエンコードする能力について検討した。その結果,すべての埋め込み手法が,グリッドワールド環境の一般的な行列表現よりも優れていることがわかった。
論文参考訳（メタデータ） (2020-04-29T05:43:15Z)
Representation Learning for Medical Data [0.0]
本稿では,医学診断領域における表現学習フレームワークを提案する。これは、診断データの異種ネットワークベースモデルと、潜在ノード表現を学習するための改良されたメタパス2vecアルゴリズムに基づいている。
論文参考訳（メタデータ） (2020-01-22T20:34:11Z)

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。