論文の概要: A Model for Image Segmentation in Retina
- arxiv url: http://arxiv.org/abs/2005.02567v1
- Date: Wed, 6 May 2020 02:58:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 05:41:55.325787
- Title: A Model for Image Segmentation in Retina
- Title（参考訳）: 網膜におけるイメージセグメンテーションのモデル
- Authors: Christopher Warner, Friedrich T. Sommer
- Abstract要約: 周期性網膜スパイク列車の同期が文脈情報を伝達できるという仮説を考察した。
位相相互作用を考慮に入れたネットワークは, 特徴的類似性だけでなく, 受容場間の幾何学的距離も考慮し, セグメンテーション性能をベースラインよりかなり上回った。
- 参考スコア（独自算出の注目度）: 0.799536002595393
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While traditional feed-forward filter models can reproduce the rate responses
of retinal ganglion neurons to simple stimuli, they cannot explain why
synchrony between spikes is much higher than expected by Poisson firing [6],
and can be sometimes rhythmic [25, 16]. Here we investigate the hypothesis that
synchrony in periodic retinal spike trains could convey contextual information
of the visual input, which is extracted by computations in the retinal network.
We propose a computational model for image segmentation consisting of a
Kuramoto model of coupled oscillators whose phases model the timing of
individual retinal spikes. The phase couplings between oscillators are shaped
by the stimulus structure, causing cells to synchronize if the local contrast
in their receptive fields is similar. In essence, relaxation in the oscillator
network solves a graph clustering problem with the graph representing feature
similarity between different points in the image. We tested different model
versions on the Berkeley Image Segmentation Data Set (BSDS). Networks with
phase interactions set by standard representations of the feature graph
(adjacency matrix, Graph Laplacian or modularity) failed to exhibit
segmentation performance significantly over the baseline, a model of
independent sensors. In contrast, a network with phase interactions that takes
into account not only feature similarities but also geometric distances between
receptive fields exhibited segmentation performance significantly above
baseline.
- Abstract（参考訳）: 従来のフィードフォワードフィルタモデルでは、網膜神経節ニューロンの速度応答を単純な刺激で再現することはできるが、なぜスパイク間の同期がポアソン発火(6])によって予測されるよりもはるかに高いのかは説明できない。
本稿では,周期的網膜スパイク列における同期が視覚入力のコンテクスト情報を伝達する可能性について検討する。
本稿では,個々の網膜スパイクのタイミングを位相モデルとした結合発振器の倉本モデルからなる画像セグメンテーションの計算モデルを提案する。
発振器間の位相結合は刺激構造によって形成され、受容野の局所的なコントラストが類似している場合、細胞は同期する。
本質的に、発振器ネットワークにおける緩和は、画像内の異なる点間の特徴的類似性を表すグラフを用いてグラフクラスタリング問題を解く。
我々は、Berkeley Image Segmentation Data Set (BSDS)で異なるモデルバージョンをテストした。
特徴グラフ(隣接行列、グラフラプラシアン、モジュラリティ)の標準表現によって設定された位相相互作用を持つネットワークは、独立センサのモデルであるベースラインよりもセグメント化性能が著しく向上しなかった。
対照的に、相間相互作用を持つネットワークは、特徴的類似性だけでなく、受容場間の幾何学的距離も考慮し、セグメンテーション性能がベースラインを大きく上回った。
関連論文リスト
- Learning local discrete features in explainable-by-design convolutional neural networks [0.0]
本稿では,側方抑制機構に基づくCNN(Design-by-Design Convolutional Neural Network)を提案する。
このモデルは、残留または高密度のスキップ接続を持つ高精度CNNである予測器で構成されている。
観測を収集し,直接確率を計算することにより,隣接するレベルのモチーフ間の因果関係を説明することができる。
論文 参考訳（メタデータ） (2024-10-31T18:39:41Z) - SSG2: A new modelling paradigm for semantic segmentation [0.0]
セグメンテーションにおける最先端モデルは、単一の静的イメージで動作し、対応するセグメンテーションマスクを生成する。
セマンティック・チェンジ検出の研究から着想を得て,各静的な入力画像に対して生成した可観測物のシーケンスを活用する手法を提案する。
この「時間的」次元を追加することで、シーケンス内の連続した観測間の強い信号相関を利用してエラー率を減少させる。
オーストラリア・ダーウィンのUrbanMonitorは5つのスペクトルバンドと0.2mの空間解像度を持つ正像タイルを特徴とし、ISPRS Potsdamは複数のスペクトルバンドと5cmの地中サンプリングを含む真の正像画像を含む。
論文 参考訳（メタデータ） (2023-10-12T19:08:03Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T14:41:37Z) - Learning the Evolutionary and Multi-scale Graph Structure for
Multivariate Time Series Forecasting [50.901984244738806]
時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。
特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。
最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
論文 参考訳（メタデータ） (2022-06-28T08:11:12Z) - Learning to Reconstruct Missing Data from Spatiotemporal Graphs with
Sparse Observations [11.486068333583216]
本稿では、欠落したデータポイントを再構築するための効果的なモデル学習の課題に取り組む。
我々は,高度にスパースな観測値の集合を与えられた注意に基づくアーキテクチャのクラスを提案し,時間と空間における点の表現を学習する。
技術状況と比較して、我々のモデルは予測エラーを伝播したり、前方および後方の時間依存性をエンコードするために双方向モデルを必要とすることなくスパースデータを処理します。
論文 参考訳（メタデータ） (2022-05-26T16:40:48Z) - Inference Graphs for CNN Interpretation [12.765543440576144]
畳み込みニューラルネットワーク(CNN)は多くの視覚関連タスクにおいて優れた精度を実現している。
本稿では,確率モデルを用いたネットワーク隠蔽層の活動のモデル化を提案する。
このようなグラフは、クラス全体の推論プロセスの理解や、ネットワークが特定の画像に対して行う決定を説明するのに有用であることを示す。
論文 参考訳（メタデータ） (2021-10-20T13:56:09Z) - Dynamic Graph Echo State Networks [11.900741510492754]
動的時間グラフの効率的な処理のためのグラフエコー状態ネットワークの拡張を提案する。
我々のモデルは、トレーニングを必要とせず、各タイミングで更新される動的グラフのベクトル符号化を提供する。
実験では、12の分散プロセス分類タスクにおいて、近似時間グラフカーネルに匹敵する精度を示す。
論文 参考訳（メタデータ） (2021-10-16T12:51:50Z) - Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised
Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。
出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。
本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文 参考訳（メタデータ） (2021-07-27T19:47:53Z) - Mitigating Performance Saturation in Neural Marked Point Processes:
Architectures and Loss Functions [50.674773358075015]
本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。
我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
論文 参考訳（メタデータ） (2021-07-07T16:59:14Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳（メタデータ） (2021-04-27T18:17:42Z) - Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。
画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。
特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
論文 参考訳（メタデータ） (2020-12-09T12:40:13Z)
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。