論文の概要: AutoSNAP: Automatically Learning Neural Architectures for Instrument Pose Estimation

• arxiv url: http://arxiv.org/abs/2006.14858v1
• Date: Fri, 26 Jun 2020 08:34:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 21:22:02.940792
• Title: AutoSNAP: Automatically Learning Neural Architectures for Instrument Pose Estimation
• Title（参考訳）: AutoSNAP: 計測値推定のためのニューラルネットワークの自動学習
• Authors: David K\"ugler, Marc Uecker, Arjan Kuijper, Anirban Mukhopadhyay
• Abstract要約: 本稿では,楽器ポーズ推定問題に対する自動SNAP(AutoSNAP)を提案する。 本稿では,1)ポーズ推定のための効率的なテスト環境,2)新しいニューラルネットワークパターン(SNAP)に基づく強力なアーキテクチャ表現,3)効率的な探索手法を用いたアーキテクチャの最適化を紹介する。 AutoSNAPを用いて,手作りのi3PosNetと最先端のアーキテクチャ検索手法DARTSの両方に優れる改良型アーキテクチャ(SNAPNet)を発見した。
• 参考スコア（独自算出の注目度）: 8.639962683493435
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Despite recent successes, the advances in Deep Learning have not yet been fully translated to Computer Assisted Intervention (CAI) problems such as pose estimation of surgical instruments. Currently, neural architectures for classification and segmentation tasks are adopted ignoring significant discrepancies between CAI and these tasks. We propose an automatic framework (AutoSNAP) for instrument pose estimation problems, which discovers and learns the architectures for neural networks. We introduce 1)~an efficient testing environment for pose estimation, 2)~a powerful architecture representation based on novel Symbolic Neural Architecture Patterns (SNAPs), and 3)~an optimization of the architecture using an efficient search scheme. Using AutoSNAP, we discover an improved architecture (SNAPNet) which outperforms both the hand-engineered i3PosNet and the state-of-the-art architecture search method DARTS.
• Abstract（参考訳）: 近年の成功にもかかわらず、Deep Learningの進歩は、手術器具のポーズ推定などのコンピュータ支援介入(CAI)問題に完全には翻訳されていない。 現在、分類とセグメンテーションタスクのためのニューラルアーキテクチャが採用されており、CAIとこれらのタスクとの大きな違いを無視している。 本稿では,ニューラルネットワークのアーキテクチャを発見し,学習する機器ポーズ推定問題に対する自動SNAP(AutoSNAP)を提案する。 1)ポーズ推定のための効率的なテスト環境,2)新しい記号型ニューラルネットワークパターン(SNAP)に基づく強力なアーキテクチャ表現,3)効率的な探索手法を用いたアーキテクチャの最適化を紹介する。 AutoSNAPを用いて,手作りのi3PosNetと最先端のアーキテクチャ検索手法DARTSの両方に優れる改良型アーキテクチャ(SNAPNet)を発見した。

関連論文リスト

• OTOv3: Automatic Architecture-Agnostic Neural Network Training and Compression from Structured Pruning to Erasing Operators [57.145175475579315]
  このトピックは、構造化プルーニングからニューラルアーキテクチャサーチまで、さまざまなテクニックにまたがっている。 第3世代のOTOv3(Noth-Train-Once)を導入する。 我々は,構造化プルーニングとニューラルアーキテクチャ探索におけるOTOv3の有効性を実証した。
  論文  参考訳（メタデータ） (2023-12-15T00:22:55Z)
• An Approach for Efficient Neural Architecture Search Space Definition [0.0]
  本稿では, 理解や操作が容易な新しいセルベース階層型検索空間を提案する。 提案手法の目的は,検索時間を最適化し,CNNアーキテクチャのほとんどの状態を扱うのに十分な一般性を得ることである。
  論文  参考訳（メタデータ） (2023-10-25T08:07:29Z)
• POPNASv3: a Pareto-Optimal Neural Architecture Search Solution for Image and Time Series Classification [8.190723030003804]
  本稿では、異なるハードウェア環境と複数の分類タスクを対象とした逐次モデルベースNASアルゴリズムの第3版について述べる。 提案手法は,異なるタスクに適応するフレキシブルな構造とデータ処理パイプラインを維持しながら,大規模な検索空間内で競合するアーキテクチャを見つけることができる。 画像と時系列の分類データセットで実施された実験は、POPNASv3が多種多様な演算子を探索し、異なるシナリオで提供されるデータの種類に適した最適なアーキテクチャに収束できることを示す。
  論文  参考訳（メタデータ） (2022-12-13T17:14:14Z)
• Surrogate-assisted Multi-objective Neural Architecture Search for Real-time Semantic Segmentation [11.866947846619064]
  ニューラルアーキテクチャサーチ(NAS)は、アーキテクチャ設計を自動化するための有望な道として登場した。 セマンティックセグメンテーションにNASを適用する際の課題を解決するために,サロゲート支援多目的手法を提案する。 提案手法は,人手による設計と他のNAS手法による自動設計の両方により,既存の最先端アーキテクチャを著しく上回るアーキテクチャを同定することができる。
  論文  参考訳（メタデータ） (2022-08-14T10:18:51Z)
• Neural Architecture Search for Speech Emotion Recognition [72.1966266171951]
  本稿では,SERモデルの自動構成にニューラルアーキテクチャサーチ(NAS)技術を適用することを提案する。 NASはモデルパラメータサイズを維持しながらSER性能(54.89%から56.28%)を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-03-31T10:16:10Z)
• Learning Interpretable Models Through Multi-Objective Neural Architecture Search [0.9990687944474739]
  本稿では,タスク性能と「イントロスペクタビリティ」の両方を最適化するフレームワークを提案する。 タスクエラーとイントロスペクタビリティを共同で最適化することは、エラー内で実行されるより不整合でデバッグ可能なアーキテクチャをもたらすことを実証する。
  論文  参考訳（メタデータ） (2021-12-16T05:50:55Z)
• Network Graph Based Neural Architecture Search [57.78724765340237]
  我々は、対応するグラフを書き換えてニューラルネットワークを探索し、グラフ特性によるアーキテクチャ性能の予測を行う。 グラフ空間全体にわたって機械学習を行わないため、探索プロセスは極めて効率的である。
  論文  参考訳（メタデータ） (2021-12-15T00:12:03Z)
• MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
  我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。 我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。 我々は精度-速度トレードオフの観点から最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-09-29T11:56:01Z)
• NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
  近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。 我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。 既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:36Z)
• A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
  我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。 アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2020-05-14T09:02:33Z)

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。