論文の概要: Feedback U-net for Cell Image Segmentation

• arxiv url: http://arxiv.org/abs/2004.14581v1
• Date: Thu, 30 Apr 2020 04:16:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 04:59:24.342393
• Title: Feedback U-net for Cell Image Segmentation
• Title（参考訳）: セル画像分割のためのフィードバックU-net
• Authors: Eisuke Shibuya, Kazuhiro Hotta
• Abstract要約: 本稿では,畳み込みLSTMとフィードバックプロセスを用いたセグメンテーション手法である畳み込みLSTMを用いたフィードバックU-Netを提案する。 ショウジョウバエの細胞画像とマウスの細胞画像データセットの両方において,本手法は,フィードフォワードプロセスのみを用いた従来のU-Netよりも優れていた。
• 参考スコア（独自算出の注目度）: 14.950054143767824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human brain is a layered structure, and performs not only a feedforward process from a lower layer to an upper layer but also a feedback process from an upper layer to a lower layer. The layer is a collection of neurons, and neural network is a mathematical model of the function of neurons. Although neural network imitates the human brain, everyone uses only feedforward process from the lower layer to the upper layer, and feedback process from the upper layer to the lower layer is not used. Therefore, in this paper, we propose Feedback U-Net using Convolutional LSTM which is the segmentation method using Convolutional LSTM and feedback process. The output of U-net gave feedback to the input, and the second round is performed. By using Convolutional LSTM, the features in the second round are extracted based on the features acquired in the first round. On both of the Drosophila cell image and Mouse cell image datasets, our method outperformed conventional U-Net which uses only feedforward process.
• Abstract（参考訳）: 人間の脳は層状構造であり、下層から上層へのフィードフォワードプロセスだけでなく、上層から下層へのフィードバックプロセスも行う。 この層は神経細胞の集まりであり、ニューラルネットワークはニューロンの機能の数学的モデルである。 ニューラルネットワークは人間の脳を模倣するが、誰もが下層から上層へのフィードフォワードプロセスのみを使用し、上層から下層へのフィードバックプロセスは使用されない。 そこで本稿では,畳み込みLSTMとフィードバックプロセスを用いたセグメンテーション手法である畳み込みLSTMを用いたフィードバックU-Netを提案する。 U-netの出力が入力にフィードバックを与え、第2ラウンドが実行される。 畳み込みLSTMを用いて、第1ラウンドで得られた特徴に基づいて第2ラウンドの特徴を抽出する。 本手法はショウジョウバエの細胞画像とマウスの細胞画像データセットの両方において,フィードフォワードプロセスのみを用いた従来のU-Netよりも優れていた。

関連論文リスト

• WLD-Reg: A Data-dependent Within-layer Diversity Regularizer [98.78384185493624]
  ニューラルネットワークは、勾配に基づく最適化と共同で訓練された階層構造に配置された複数の層で構成されている。 我々は、この従来の「中間層」フィードバックを補うために、同じ層内での活性化の多様性を促進するために、追加の「中間層」フィードバックを補うことを提案する。 本稿では,提案手法が複数のタスクにおける最先端ニューラルネットワークモデルの性能を向上させることを実証した広範な実証研究を提案する。
  論文  参考訳（メタデータ） (2023-01-03T20:57:22Z)
• Improved Convergence Guarantees for Shallow Neural Networks [91.3755431537592]
  勾配降下法により訓練された深度2ニューラルネットの収束度を世界最小とする。 我々のモデルには、二次損失関数による回帰、完全連結フィードフォワードアーキテクチャ、RelUアクティベーション、ガウスデータインスタンス、逆ラベルといった特徴がある。 彼らは、少なくとも我々のモデルでは、収束現象がNTK体制をはるかに超越していることを強く示唆している」。
  論文  参考訳（メタデータ） (2022-12-05T14:47:52Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• Train your classifier first: Cascade Neural Networks Training from upper layers to lower layers [54.47911829539919]
  我々は,高品質な分類器を探索するアルゴリズムとして見ることのできる,新しいトップダウン学習手法を開発した。 本研究では,自動音声認識(ASR)タスクと言語モデリングタスクについて検討した。 提案手法は,Wall Street Journal 上でのリカレントニューラルネットワーク ASR モデル,Switchboard 上での自己注意型 ASR モデル,WikiText-2 上での AWD-LSTM 言語モデルなど,一貫して改善されている。
  論文  参考訳（メタデータ） (2021-02-09T08:19:49Z)
• Neural Function Modules with Sparse Arguments: A Dynamic Approach to Integrating Information across Layers [84.57980167400513]
  Neural Function Modules (NFM)は、ディープラーニングに同じ構造機能を導入することを目的としている。 トップダウンとボトムアップのフィードバックを組み合わせたフィードフォワードネットワークのコンテキストにおける作業のほとんどは、分類の問題に限られている。 私たちの仕事の重要な貢献は、フレキシブルなアルゴリズムで注意、疎結合、トップダウン、ボトムアップのフィードバックを組み合わせることです。
  論文  参考訳（メタデータ） (2020-10-15T20:43:17Z)
• Pooling Methods in Deep Neural Networks, a Review [6.1678491628787455]
  プーリングレイヤは、前のレイヤから来るフィーチャーマップのダウンサンプリングを実行する重要なレイヤである。 本稿では,有名な,有用なプーリング手法について概説する。
  論文  参考訳（メタデータ） (2020-09-16T06:11:40Z)
• Feedback Attention for Cell Image Segmentation [16.307380967432962]
  我々は,人間の脳内のフィードバック処理に注目し,深層から浅い層へ特徴マップを接続することで,ネットワークが人間のように学習すると考えた。 本稿では、人間の脳を模倣し、出力層の特徴写像を入力に近接する層にフィードバックするフィードバック注意法を提案する。
  論文  参考訳（メタデータ） (2020-08-14T17:23:32Z)
• DO-Conv: Depthwise Over-parameterized Convolutional Layer [66.46704754669169]
  本稿では,各入力チャネルが異なる2次元カーネルに変換されるような,奥行きの畳み込みを付加した畳み込み層の拡張を提案する。 従来の畳み込み層をDO-Conv層に置き換えただけでCNNの性能が向上することを示す。
  論文  参考訳（メタデータ） (2020-06-22T06:57:10Z)
• An Effective and Efficient Initialization Scheme for Training Multi-layer Feedforward Neural Networks [5.161531917413708]
  本稿では,有名なスタインの身元に基づく新しいネットワーク初期化手法を提案する。 提案したSteinGLM法は、ニューラルネットワークのトレーニングによく使われる他の一般的な手法よりもはるかに高速で高精度であることを示す。
  論文  参考訳（メタデータ） (2020-05-16T16:17:37Z)

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。