論文の概要: A Deep Learning based Fast Signed Distance Map Generation

• arxiv url: http://arxiv.org/abs/2005.12662v1
• Date: Tue, 26 May 2020 12:36:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 23:57:59.514391
• Title: A Deep Learning based Fast Signed Distance Map Generation
• Title（参考訳）: 深層学習に基づく高速サイン付き距離マップ生成
• Authors: Zihao Wang, Clair Vandersteen, Thomas Demarcy, Dan Gnansia, Charles Raffaelli, Nicolas Guevara, Herv\'e Delingette
• Abstract要約: サイン付き距離マップ(SDM)は、医用画像解析と機械学習における表面の共通表現である。 本稿では,4つの形状パラメータでパラメータ化された3次元コチェリー形状モデルを用いて,学習に基づくSDM生成ニューラルネットワークを提案する。 提案するSDMニューラルネットは,4つの入力パラメータに応じて,コチェリー符号付き距離マップを生成する。
• 参考スコア（独自算出の注目度）: 4.298890193377769
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Signed distance map (SDM) is a common representation of surfaces in medical image analysis and machine learning. The computational complexity of SDM for 3D parametric shapes is often a bottleneck in many applications, thus limiting their interest. In this paper, we propose a learning based SDM generation neural network which is demonstrated on a tridimensional cochlea shape model parameterized by 4 shape parameters. The proposed SDM Neural Network generates a cochlea signed distance map depending on four input parameters and we show that the deep learning approach leads to a 60 fold improvement in the time of computation compared to more classical SDM generation methods. Therefore, the proposed approach achieves a good trade-off between accuracy and efficiency.
• Abstract（参考訳）: サイン付き距離マップ(SDM)は、医用画像解析と機械学習における表面の共通表現である。 3次元パラメトリック形状に対するSDMの計算複雑性は、多くのアプリケーションでしばしばボトルネックとなり、興味を限定する。 本稿では,4つの形状パラメータをパラメータとする3次元人工内耳形状モデルを用いて,学習に基づくsdm生成ニューラルネットワークを提案する。 提案するsdmニューラルネットワークは,4つの入力パラメータに依存する人工内耳の符号付き距離マップを生成し,従来のsdm生成法と比較して,深層学習手法が計算時間に60倍の改善をもたらすことを示す。 したがって,提案手法は精度と効率のトレードオフが良好である。

関連論文リスト

• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Quantitative Susceptibility Mapping through Model-based Deep Image Prior (MoDIP) [10.230055884828445]
  モデルベースDeep Image Prior(モデルベースDeep Image Prior)と呼ばれるトレーニング不要なモデルベース教師なし手法を提案する。 MoDIPは、訓練されていない小さなネットワークと、データフィデリティ最適化(DFO)モジュールで構成される。 計算効率は33%向上し、従来のDIPベースのアプローチの4倍高速である。
  論文  参考訳（メタデータ） (2023-08-18T11:07:39Z)
• GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
  本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。 本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。 提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-10-19T17:56:03Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• DeepSSN: a deep convolutional neural network to assess spatial scene similarity [11.608756441376544]
  本稿では,深部空間シーンネットワーク(Deep Space Scene Network,DeepSSN)を提案する。 提案したDeepSSNを用いて,スケッチマップを用いた空間問合せをユーザが入力する空間シーン探索システムを開発した。 提案手法は,データ拡張後の131,300個のラベル付きシーンサンプルを含むマルチソース・コンバウンド・マップデータを用いて検証する。
  論文  参考訳（メタデータ） (2022-02-07T23:53:20Z)
• Model-inspired Deep Learning for Light-Field Microscopy with Application to Neuron Localization [27.247818386065894]
  光フィールド顕微鏡画像を用いた高速かつ堅牢なソースの3Dローカリゼーションを実現するモデルに基づくディープラーニング手法を提案する。 これは畳み込みスパース符号化問題を効率的に解くディープネットワークを開発することによって実現される。 光場からのほ乳類ニューロンの局在化実験により,提案手法が性能,解釈性,効率の向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2021-03-10T16:24:47Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
  一つのビデオから多視点深度を推定する新しい手法を提案する。 提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。 最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-26T04:04:21Z)
• Towards Reading Beyond Faces for Sparsity-Aware 4D Affect Recognition [55.15661254072032]
  自動4次元表情認識(FER)のための空間認識深層ネットワークを提案する。 まず,深層学習のためのデータ制限問題に対処する新しい拡張手法を提案する。 次に、多視点での畳み込み特徴のスパース表現を計算するために、疎度対応のディープネットワークを提案する。
  論文  参考訳（メタデータ） (2020-02-08T13:09:11Z)

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。

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。