論文の概要: INSIDE: Steering Spatial Attention with Non-Imaging Information in CNNs
- arxiv url: http://arxiv.org/abs/2008.10418v1
- Date: Fri, 21 Aug 2020 13:32:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 22:05:25.602766
- Title: INSIDE: Steering Spatial Attention with Non-Imaging Information in CNNs
- Title(参考訳): INSIDE:CNNにおける非画像情報による空間的注意制御
- Authors: Grzegorz Jacenk\'ow, Alison Q. O'Neil, Brian Mohr, Sotirios A.
Tsaftaris
- Abstract要約: 本稿では,非画像情報をセグメンテーションネットワークに統合して性能向上を図ることの課題について考察する。
本研究では,非画像情報に基づく空間的局所化を実現する機構を提案する。
我々の手法はエンドツーエンドで訓練でき、追加の監督を必要としない。
- 参考スコア(独自算出の注目度): 14.095546881696311
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the problem of integrating non-imaging information into
segmentation networks to improve performance. Conditioning layers such as FiLM
provide the means to selectively amplify or suppress the contribution of
different feature maps in a linear fashion. However, spatial dependency is
difficult to learn within a convolutional paradigm. In this paper, we propose a
mechanism to allow for spatial localisation conditioned on non-imaging
information, using a feature-wise attention mechanism comprising a
differentiable parametrised function (e.g. Gaussian), prior to applying the
feature-wise modulation. We name our method INstance modulation with SpatIal
DEpendency (INSIDE). The conditioning information might comprise any factors
that relate to spatial or spatio-temporal information such as lesion location,
size, and cardiac cycle phase. Our method can be trained end-to-end and does
not require additional supervision. We evaluate the method on two datasets: a
new CLEVR-Seg dataset where we segment objects based on location, and the ACDC
dataset conditioned on cardiac phase and slice location within the volume. Code
and the CLEVR-Seg dataset are available at https://github.com/jacenkow/inside.
- Abstract(参考訳): 本研究では,非画像情報をセグメンテーションネットワークに統合して性能向上を図る。
FiLMのようなコンディショニング層は、異なる特徴写像を線形的に選択的に増幅または抑制する手段を提供する。
しかし、畳み込みパラダイム内で空間依存を学ぶことは困難である。
本稿では、特徴量変調を適用する前に、微分パラメトリッド関数(例えばガウス)を含む特徴量注意機構を用いて、非画像情報に基づく空間的局所化を可能にする機構を提案する。
我々は、(内部)空間依存によるメソッドインスタンス変調を命名する。
条件付け情報は、病変の位置、サイズ、心臓周期フェーズなどの空間的または時空間的な情報に関連するあらゆる要素から構成されるかもしれない。
我々の手法はエンドツーエンドで訓練でき、追加の監督を必要としない。
この手法を2つのデータセットで評価した: 位置に基づいてオブジェクトをセグメンテーションする新しいclevr-segデータセットと、容積内の心相とスライス位置を条件としたadcdcデータセットである。
コードとclevr-segデータセットはhttps://github.com/jacenkow/insideにある。
関連論文リスト
- FATE: Feature-Agnostic Transformer-based Encoder for learning
generalized embedding spaces in flow cytometry data [4.550634499956126]
我々は,潜在的な特徴集合の交わりに入力空間を拘束することなく,様々な特徴を持つデータを有効に活用することを目的としている。
特徴量の整合を必要とせずに直接データを処理できる新しいアーキテクチャを提案する。
本モデルの利点は, 急性骨髄性白血病の血流データにおける癌細胞の自動検出である。
論文 参考訳(メタデータ) (2023-11-06T18:06:38Z) - Feature Selection using Sparse Adaptive Bottleneck Centroid-Encoder [1.2487990897680423]
2つ以上のクラスで識別される特徴を決定するために,新しい非線形モデル SABCE (Sparse Adaptive Bottleneckid-Encoder) を導入する。
このアルゴリズムは、高次元生物学的、画像、音声、加速度センサデータなど、様々な実世界のデータセットに適用される。
論文 参考訳(メタデータ) (2023-06-07T21:37:21Z) - Neural FIM for learning Fisher Information Metrics from point cloud data [71.07939200676199]
我々は、ポイントクラウドデータからフィッシャー情報量(FIM)を計算するためのニューラルFIMを提案する。
本稿では,PHATE可視化手法のパラメータの選択と,IPSCリプログラミングとPBMC(免疫細胞)の2つの単一セルデータセットと,おもちゃデータセットの分岐点とクラスタセンターの埋め込みに関する情報を得る能力について述べる。
論文 参考訳(メタデータ) (2023-06-01T17:36:13Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳(メタデータ) (2022-09-05T16:38:13Z) - Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。
IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。
提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
論文 参考訳(メタデータ) (2022-06-17T09:40:14Z) - Position Tracking using Likelihood Modeling of Channel Features with
Gaussian Processes [2.3977391435533373]
最近のローカライゼーションフレームワークは、複雑なチャネル計測の空間情報を利用して正確な位置を推定する。
本稿では,強力なマルチパス伝搬を持つスパースデータセットに順応する新しいフレームワークを提案する。
本フレームワークでは,トレーニングされたGPと直視域と粒子フィルタのダイナミックスモデルを組み合わせる。
論文 参考訳(メタデータ) (2022-03-24T15:06:01Z) - TC-Net: Triple Context Network for Automated Stroke Lesion Segmentation [0.5482532589225552]
本稿では,空間的コンテキスト情報を中心として,新たなネットワークである Triple Context Network (TC-Net) を提案する。
我々のネットワークはオープンデータセットATLASで評価され、最高スコアは0.594、ハウスドルフ距離は27.005mm、平均対称性表面距離は7.137mmである。
論文 参考訳(メタデータ) (2022-02-28T11:12:16Z) - Encoding Domain Information with Sparse Priors for Inferring Explainable
Latent Variables [2.8935588665357077]
説明可能な因子の推論を促進するために,スパース先行の因子潜在変数モデルであるspex-LVMを提案する。
spex-LVMは、既存の生物医療経路の知識を利用して、潜在因子にアノテート属性を自動的に割り当てる。
シミュレーションおよび実シングルセルRNA-seqデータセットの評価は、本モデルが本質的に説明可能な方法で関連構造を頑健に識別することを示す。
論文 参考訳(メタデータ) (2021-07-08T10:19:32Z) - Spatial-Temporal Correlation and Topology Learning for Person
Re-Identification in Videos [78.45050529204701]
クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。
CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。
グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
論文 参考訳(メタデータ) (2021-04-15T14:32:12Z) - Spatial Information Guided Convolution for Real-Time RGBD Semantic
Segmentation [79.78416804260668]
本稿では,効率的なRGB機能と3次元空間情報統合を実現するための空間情報ガイドコンボリューション(S-Conv)を提案する。
S-Convは、3次元空間情報によって導かれる畳み込みカーネルのサンプリングオフセットを推測する能力を有する。
我々はさらにS-Convを空間情報ガイド畳み込みネットワーク(SGNet)と呼ばれるセグメンテーションネットワークに組み込みます。
論文 参考訳(メタデータ) (2020-04-09T13:38:05Z) - High-Order Information Matters: Learning Relation and Topology for
Occluded Person Re-Identification [84.43394420267794]
本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。
我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
論文 参考訳(メタデータ) (2020-03-18T12:18:35Z)
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。