論文の概要: Patient-Specific Domain Adaptation for Fast Optical Flow Based on
Teacher-Student Knowledge Transfer
- arxiv url: http://arxiv.org/abs/2007.04928v1
- Date: Thu, 9 Jul 2020 17:01:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 04:53:02.179368
- Title: Patient-Specific Domain Adaptation for Fast Optical Flow Based on
Teacher-Student Knowledge Transfer
- Title（参考訳）: 教師の知識伝達に基づく高速光流に対する患者特化領域適応
- Authors: Sontje Ihler and Max-Heinrich Laves and Tobias Ortmaier
- Abstract要約: 高速な運動フィードバックは、移動組織に対するコンピュータ支援手術(CAS)において重要である。
現在のモデルの深層学習は、共通速度と精度のトレードオフを示している。
本稿では,高処理速度で高い精度を実現するために,患者固有の高速モデルの微調整を提案する。
- 参考スコア（独自算出の注目度）: 2.0303656145222857
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fast motion feedback is crucial in computer-aided surgery (CAS) on moving
tissue. Image-assistance in safety-critical vision applications requires a
dense tracking of tissue motion. This can be done using optical flow (OF).
Accurate motion predictions at high processing rates lead to higher patient
safety. Current deep learning OF models show the common speed vs. accuracy
trade-off. To achieve high accuracy at high processing rates, we propose
patient-specific fine-tuning of a fast model. This minimizes the domain gap
between training and application data, while reducing the target domain to the
capability of the lower complex, fast model. We propose to obtain training
sequences pre-operatively in the operation room. We handle missing ground
truth, by employing teacher-student learning. Using flow estimations from
teacher model FlowNet2 we specialize a fast student model FlowNet2S on the
patient-specific domain. Evaluation is performed on sequences from the Hamlyn
dataset. Our student model shows very good performance after fine-tuning.
Tracking accuracy is comparable to the teacher model at a speed up of factor
six. Fine-tuning can be performed within minutes, making it feasible for the
operation room. Our method allows to use a real-time capable model that was
previously not suited for this task. This method is laying the path for
improved patient-specific motion estimation in CAS.
- Abstract（参考訳）: 高速運動フィードバックは移動組織に対するコンピュータ支援手術 (cas) において重要である。
安全クリティカルな視覚応用におけるイメージアシストには、組織の動きの濃密な追跡が必要である。
これは光学フロー(OF)を用いて行うことができる。
高い処理速度での正確な動作予測は、患者の安全性を高める。
現在のモデルの深層学習は、共通速度と精度のトレードオフを示している。
高い処理速度で高い精度を達成するために,高速モデルの患者固有の微調整を提案する。
これにより、トレーニングとアプリケーションデータの間のドメイン間ギャップを最小限に抑え、ターゲットドメインをより複雑な高速モデルの能力に還元する。
手術室で術前に訓練シーケンスを取得することを提案する。
私たちは教師-学生の学習を生かして、真実の欠如に対処する。
教師モデルflownet2からのフロー推定を用いて、患者固有のドメインに高速学生モデルflownet2を特殊化する。
hamlynデータセットからのシーケンスで評価を行う。
我々の学生モデルは微調整後に非常に良い成績を示す。
追跡精度は6倍の速度で教師モデルに匹敵する。
微調整は数分で行うことができ、手術室で行うことができる。
提案手法では,従来この課題には適していなかったリアルタイムモデルの活用が可能であった。
この方法はCASにおける患者固有の動作推定を改善するための経路を敷設する。
関連論文リスト
- FastSTI: A Fast Conditional Pseudo Numerical Diffusion Model for Spatio-temporal Traffic Data Imputation [4.932317347331121]
高時間トラフィックデータは、インテリジェントトランスポートシステム(ITS)とそのデータ駆動アプリケーションにとって不可欠である。
拡散確率モデルの最近の研究は、計算における深部生成モデルの優越性を証明している。
2種類の現実世界のトラフィックデータセットを高速に処理することで、高品質なサンプルをわずか6ステップでインプットできることが証明されている。
論文 参考訳（メタデータ） (2024-10-20T01:45:51Z) - A-SDM: Accelerating Stable Diffusion through Redundancy Removal and
Performance Optimization [54.113083217869516]
本研究ではまず,ネットワークの計算冗長性について検討する。
次に、モデルの冗長性ブロックをプルークし、ネットワーク性能を維持する。
第3に,計算集約型注意部を高速化するグローバル地域対話型注意(GRI)を提案する。
論文 参考訳（メタデータ） (2023-12-24T15:37:47Z) - Efficient Deformable Tissue Reconstruction via Orthogonal Neural Plane [58.871015937204255]
変形性組織を再建するための高速直交平面(Fast Orthogonal Plane)を導入する。
我々は外科手術を4Dボリュームとして概念化し、それらをニューラルネットワークからなる静的および動的フィールドに分解する。
この分解により4次元空間が増加し、メモリ使用量が減少し、最適化が高速化される。
論文 参考訳（メタデータ） (2023-12-23T13:27:50Z) - StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。
本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。
本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文 参考訳（メタデータ） (2022-07-21T12:03:02Z) - Embedding Recycling for Language Models [38.11465250435789]
我々は, 埋込みリサイクル(ER)によるそのような環境下での計算コストの削減について検討する。
我々は、事前訓練されたモデルから中間層の出力をキャッシュし、残りのレイヤを微調整して新しいタスクを行う方法を提案する。
本研究では,本手法が学習中の100%の高速化,55～86%の推論速度向上を実現し,学術領域におけるテキスト分類とエンティティ認識タスクの精度への影響を無視できることを示した。
論文 参考訳（メタデータ） (2022-07-11T16:36:14Z) - EM-driven unsupervised learning for efficient motion segmentation [3.5232234532568376]
本稿では,光学的流れからの動作分割のためのCNNに基づく完全教師なし手法を提案する。
本研究では,移動分割ニューラルネットワークの損失関数とトレーニング手順を活用するために,期待最大化(EM)フレームワークを利用する。
提案手法は, 教師なし手法よりも優れ, 効率的である。
論文 参考訳（メタデータ） (2022-01-06T14:35:45Z) - Training Aware Sigmoidal Optimizer [2.99368851209995]
Aware Sigmoidal関数をトレーニングすると、ローカルミニマよりもはるかにサドルロスの風景が表示されます。
本研究では,2相自動学習率スケジュールからなるTASO(Training Aware Sigmoidal Function)を提案する。
提案手法をAdam、RMS、Adagradなどの一般的な適応学習率スケジュールと比較した。
論文 参考訳（メタデータ） (2021-02-17T12:00:46Z) - FastIF: Scalable Influence Functions for Efficient Model Interpretation
and Debugging [112.19994766375231]
影響関数は、テスト予測のためのトレーニングデータポイントの「影響」を近似する。
fastifは、実行時間を大幅に改善する関数に影響を与えるための、単純な修正セットです。
本実験はモデル解釈とモデル誤差の修正における影響関数の可能性を示す。
論文 参考訳（メタデータ） (2020-12-31T18:02:34Z) - Motion Pyramid Networks for Accurate and Efficient Cardiac Motion
Estimation [51.72616167073565]
本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。
我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。
そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
論文 参考訳（メタデータ） (2020-06-28T21:03:19Z) - Fast Modeling and Understanding Fluid Dynamics Systems with
Encoder-Decoder Networks [0.0]
本研究では,有限体積シミュレータを用いて,高精度な深層学習に基づくプロキシモデルを効率的に教えることができることを示す。
従来のシミュレーションと比較して、提案したディープラーニングアプローチはより高速なフォワード計算を可能にする。
深層学習モデルの重要物理パラメータに対する感度を定量化することにより、インバージョン問題を大きな加速で解くことができることを示す。
論文 参考訳（メタデータ） (2020-06-09T17:14:08Z) - Parameter-Efficient Transfer from Sequential Behaviors for User Modeling
and Recommendation [111.44445634272235]
本稿では,PeterRecと呼ばれるパラメータ効率のよい移動学習アーキテクチャを提案する。
PeterRecは、トレーニング済みのパラメータを、一連の再学習ニューラルネットワークを注入することで、微調整中に修正されないようにする。
我々は5つの下流タスクにおいて学習したユーザ表現の有効性を示すために、広範囲な実験的アブレーションを行う。
論文 参考訳（メタデータ） (2020-01-13T14:09:54Z)
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。