論文の概要: BiO-Net: Learning Recurrent Bi-directional Connections for Encoder-Decoder Architecture

• arxiv url: http://arxiv.org/abs/2007.00243v2
• Date: Mon, 6 Jul 2020 00:31:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 22:53:35.961923
• Title: BiO-Net: Learning Recurrent Bi-directional Connections for Encoder-Decoder Architecture
• Title（参考訳）: BiO-Net:エンコーダ・デコーダアーキテクチャのための繰り返し双方向接続学習
• Authors: Tiange Xiang, Chaoyi Zhang, Dongnan Liu, Yang Song, Heng Huang, Weidong Cai
• Abstract要約: 本稿では,新たな双方向O字型ネットワーク(BiO-Net)を提案する。 提案手法は,バニラU-Netおよび他の最先端手法よりも優れる。
• 参考スコア（独自算出の注目度）: 82.64881585566825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: U-Net has become one of the state-of-the-art deep learning-based approaches for modern computer vision tasks such as semantic segmentation, super resolution, image denoising, and inpainting. Previous extensions of U-Net have focused mainly on the modification of its existing building blocks or the development of new functional modules for performance gains. As a result, these variants usually lead to an unneglectable increase in model complexity. To tackle this issue in such U-Net variants, in this paper, we present a novel Bi-directional O-shape network (BiO-Net) that reuses the building blocks in a recurrent manner without introducing any extra parameters. Our proposed bi-directional skip connections can be directly adopted into any encoder-decoder architecture to further enhance its capabilities in various task domains. We evaluated our method on various medical image analysis tasks and the results show that our BiO-Net significantly outperforms the vanilla U-Net as well as other state-of-the-art methods. Our code is available at https://github.com/tiangexiang/BiO-Net.
• Abstract（参考訳）: u-netは、セマンティックセグメンテーション、スーパーレゾリューション、画像デノージング、インパインティングといった現代のコンピュータビジョンタスクのための最先端のディープラーニングベースのアプローチの1つとなっている。 U-Netのこれまでの拡張は主に、既存のビルディングブロックの変更や、パフォーマンス向上のための新しい機能モジュールの開発に重点を置いてきた。 その結果、これらの変異は通常、予期せぬモデルの複雑さの増加につながる。 このようなU-Net変種でこの問題に対処するため,本稿では,新たな双方向O-shapeネットワーク(BiO-Net)を提案する。 提案する双方向スキップ接続は,任意のエンコーダデコーダアーキテクチャに直接適用可能であり,タスク領域のさらなる機能向上が期待できる。 各種の医用画像解析タスクにおいて,本手法を評価した結果,我々のBiO-Netは,バニラU-Netや最先端の手法よりも優れていた。 私たちのコードはhttps://github.com/tiangexiang/bio-netで利用可能です。

関連論文リスト

• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• DenseNets Reloaded: Paradigm Shift Beyond ResNets and ViTs [30.412909498409192]
  この論文はDensely Connected Convolutional Networks (DenseNets)を復活させる。 DenseNetsのポテンシャルは、未修正のトレーニングメソッドと従来のデザイン要素が機能を完全に明らかにしていないために見過ごされてしまったと信じています。 我々は,DenseNetスタイルの設計に対して新たな好みを定めながら,付加的なショートカットに対する結合のメリットを明らかにする経験的分析を行う。
  論文  参考訳（メタデータ） (2024-03-28T17:12:39Z)
• SODAWideNet -- Salient Object Detection with an Attention augmented Wide Encoder Decoder network without ImageNet pre-training [3.66237529322911]
  我々は、ImageNet事前トレーニングなしで、Salient Object Detectionを直接訓練したスクラッチからニューラルネットワークを開発することを検討する。 本稿では,Salient Object Detection のためのエンコーダデコーダ型ネットワーク SODAWideNet を提案する。 SODAWideNet-S (3.03M) と SODAWideNet (9.03M) の2つの変種は、5つのデータセット上の最先端モデルと競合する性能を達成する。
  論文  参考訳（メタデータ） (2023-11-08T16:53:44Z)
• FusionU-Net: U-Net with Enhanced Skip Connection for Pathology Image Segmentation [9.70345458475663]
  FusionU-NetはU-Net構造に基づいており、異なるスキップ接続間で情報を交換するためのフュージョンモジュールを備えている。 その結果,FusionU-Netは競合する他の手法よりも優れた性能が得られることがわかった。
  論文  参考訳（メタデータ） (2023-10-17T02:56:10Z)
• A Unified Framework for U-Net Design and Analysis [32.48954087522557]
  一般的なU-Netアーキテクチャの設計と分析のためのフレームワークを提供する。 学習可能なパラメータを含まない簡易なウェーブレット型エンコーダを用いたマルチResNet, U-Netsを提案する。 拡散モデルでは,高周波情報が指数関数的に高速にノイズに支配されていることを識別することができる。
  論文  参考訳（メタデータ） (2023-05-31T08:07:44Z)
• Continuous U-Net: Faster, Greater and Noiseless [2.6163085620813287]
  画像セグメンテーションのための新しいネットワークファミリーであるContinuous U-Netを紹介する。 より高速な収束、高ロバスト性、ノイズに対する感度の低下を示す理論的な保証を提供する。 本研究では, 医用画像セグメンテーションベンチマークデータセットにおいて, 既存のU-Netブロックよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-01T17:46:00Z)
• Towards Bi-directional Skip Connections in Encoder-Decoder Architectures and Beyond [95.46272735589648]
  本稿では,デコードされた機能をエンコーダに戻すための後方スキップ接続を提案する。 我々の設計は、任意のエンコーダ・デコーダアーキテクチャにおいて前方スキップ接続と共同で適用することができる。 本稿では,2相ニューラルネットワーク探索(NAS)アルゴリズム,すなわちBiX-NASを提案する。
  論文  参考訳（メタデータ） (2022-03-11T01:38:52Z)
• KiU-Net: Overcomplete Convolutional Architectures for Biomedical Image and Volumetric Segmentation [71.79090083883403]
  トラディショナル・エンコーダ・デコーダに基づく手法は, より小さな構造を検出でき, 境界領域を正確に分割できない。 本稿では,(1)入力の細部と正確なエッジを捉えることを学ぶ完全畳み込みネットワークKite-Netと,(2)高レベルの特徴を学習するU-Netの2つの枝を持つKiU-Netを提案する。 提案手法は,より少ないパラメータとより高速な収束の利点により,最近のすべての手法と比較して性能が向上する。
  論文  参考訳（メタデータ） (2020-10-04T19:23:33Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Suppress and Balance: A Simple Gated Network for Salient Object Detection [89.88222217065858]
  両問題を同時に解くための単純なゲートネットワーク(GateNet)を提案する。 多レベルゲートユニットの助けを借りて、エンコーダからの貴重なコンテキスト情報をデコーダに最適に送信することができる。 さらに,提案したFold-ASPP操作(Fold-ASPP)に基づくアトラス空間ピラミッドプーリングを用いて,様々なスケールのサリアンオブジェクトを正確に位置決めする。
  論文  参考訳（メタデータ） (2020-07-16T02:00:53Z)

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。