論文の概要: M3d-CAM: A PyTorch library to generate 3D data attention maps for
medical deep learning
- arxiv url: http://arxiv.org/abs/2007.00453v1
- Date: Wed, 1 Jul 2020 12:55:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 22:27:26.784947
- Title: M3d-CAM: A PyTorch library to generate 3D data attention maps for
medical deep learning
- Title(参考訳): M3d-CAM:医療深層学習のための3Dデータアテンションマップを生成するPyTorchライブラリ
- Authors: Karol Gotkowski, Camila Gonzalez, Andreas Bucher, Anirban Mukhopadhyay
- Abstract要約: M3d-CAMはCNNベースのPyTorchモデルのアテンションマップを生成するための使いやすいライブラリである。
注意マップは Guided Backproagation, Grad-CAM, Guided Grad-CAM, Grad-CAM++ など,複数のメソッドで生成することができる。
M3d-CAMは2次元データと3次元データをサポートし、分類やセグメンテーションを行う。
- 参考スコア(独自算出の注目度): 1.069533806668766
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: M3d-CAM is an easy to use library for generating attention maps of CNN-based
PyTorch models improving the interpretability of model predictions for humans.
The attention maps can be generated with multiple methods like Guided
Backpropagation, Grad-CAM, Guided Grad-CAM and Grad-CAM++. These attention maps
visualize the regions in the input data that influenced the model prediction
the most at a certain layer. Furthermore, M3d-CAM supports 2D and 3D data for
the task of classification as well as for segmentation. A key feature is also
that in most cases only a single line of code is required for generating
attention maps for a model making M3d-CAM basically plug and play.
- Abstract(参考訳): M3d-CAMは、CNNベースのPyTorchモデルのアテンションマップを生成するための使いやすいライブラリである。
注意マップは Guided Backproagation, Grad-CAM, Guided Grad-CAM, Grad-CAM++ など,複数のメソッドで生成することができる。
これらの注意マップは、ある層においてモデル予測に最も影響した入力データ内の領域を視覚化する。
さらに、M3d-CAMは2次元データと3次元データをサポートし、分類やセグメンテーションを行う。
重要な特徴は、M3d-CAMを基本的にプラグアンドプレイするモデルのためのアテンションマップを生成するために、ほとんどの場合、1行のコードしか必要としないことである。
関連論文リスト
- 3DiffTection: 3D Object Detection with Geometry-Aware Diffusion Features [70.50665869806188]
3DiffTectionは、単一の画像から3Dオブジェクトを検出する最先端の方法である。
拡散モデルを微調整し、単一の画像に条件付けされた新しいビュー合成を行う。
さらに、検出監視により、ターゲットデータ上でモデルをトレーニングする。
論文 参考訳(メタデータ) (2023-11-07T23:46:41Z) - BroadCAM: Outcome-agnostic Class Activation Mapping for Small-scale
Weakly Supervised Applications [69.22739434619531]
そこで我々はBroadCAMと呼ばれる結果に依存しないCAMアプローチを提案する。
VOC2012でBroadCAM、WSSSでBCSS-WSSS、WSOLでOpenImages30kを評価することで、BroadCAMは優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2023-09-07T06:45:43Z) - MProtoNet: A Case-Based Interpretable Model for Brain Tumor
Classification with 3D Multi-parametric Magnetic Resonance Imaging [0.6445605125467573]
本稿では,3D Multi-parametric magnetic resonance imaging (mpMRI)データを用いて,ProtoPNetを脳腫瘍分類に拡張する最初の医用プロトタイプネットワーク(MProtoNet)を提案する。
MProtoNetは、正確性とローカライゼーションコヒーレンスの両方の解釈可能性指標の統計的に有意な改善を実現している。
論文 参考訳(メタデータ) (2023-04-13T04:39:21Z) - SNAKE: Shape-aware Neural 3D Keypoint Field [62.91169625183118]
形状復元には点雲から3Dキーポイントを検出することが重要である。
形状再構成は3次元キーポイント検出に有効か?
本稿では,形状認識型ニューラル3Dキーポイントフィールドに短いSNAKEという,教師なしの新たなパラダイムを提案する。
論文 参考訳(メタデータ) (2022-06-03T17:58:43Z) - Point2Seq: Detecting 3D Objects as Sequences [58.63662049729309]
我々は、ポイントクラウドから3次元オブジェクトを検出するためのシンプルで効果的なフレームワーク、Point2Seqを提案する。
我々は,各3Dオブジェクトを単語列とみなし,その3Dオブジェクト検出タスクを,自動回帰的に3Dシーンからの単語の復号化として再構成する。
論文 参考訳(メタデータ) (2022-03-25T00:20:31Z) - Learning Feature Aggregation for Deep 3D Morphable Models [57.1266963015401]
階層レベルで機能集約を向上するためのマッピング行列を学習するための注意に基づくモジュールを提案する。
実験の結果,マッピング行列のエンドツーエンドトレーニングにより,様々な3次元形状データセットの最先端結果が得られることがわかった。
論文 参考訳(メタデータ) (2021-05-05T16:41:00Z) - A Convolutional Architecture for 3D Model Embedding [1.3858051019755282]
入力として3Dモデルを扱うディープラーニングアーキテクチャを提案する。
埋め込み表現は3Dオブジェクトの類似性評価を扱うのに役立つセマンティック情報を伝えることを示した。
論文 参考訳(メタデータ) (2021-03-05T15:46:47Z) - Ground-aware Monocular 3D Object Detection for Autonomous Driving [6.5702792909006735]
1台のRGBカメラで環境中の物体の位置と向きを推定することは、低コストの都市自動運転と移動ロボットにとって難しい課題である。
既存のアルゴリズムのほとんどは、2D-3D対応における幾何学的制約に基づいており、これは一般的な6Dオブジェクトのポーズ推定に由来する。
深層学習の枠組みにおいて、そのようなアプリケーション固有の事前知識を完全に活用するための新しいニューラルネットワークモジュールを導入する。
論文 参考訳(メタデータ) (2021-02-01T08:18:24Z) - Spatial Context-Aware Self-Attention Model For Multi-Organ Segmentation [18.76436457395804]
マルチ組織セグメンテーションは、医学画像解析におけるディープラーニングの最も成功した応用の1つである。
深部畳み込みニューラルネット(CNN)は,CT画像やMRI画像上で臨床応用画像のセグメンテーション性能を達成する上で非常に有望である。
本研究では,高分解能2次元畳み込みによりセグメンテーションを実現する3次元モデルと2次元モデルを組み合わせた新しい枠組みを提案する。
論文 参考訳(メタデータ) (2020-12-16T21:39:53Z) - PerMO: Perceiving More at Once from a Single Image for Autonomous
Driving [76.35684439949094]
単一画像から完全テクスチャ化された車両の3次元モデルを検出し,セグメント化し,再構成する新しい手法を提案する。
私たちのアプローチは、ディープラーニングの強みと従来のテクニックの優雅さを組み合わせています。
我々はこれらのアルゴリズムを自律運転システムに統合した。
論文 参考訳(メタデータ) (2020-07-16T05:02:45Z)
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。