論文の概要: A Dark and Bright Channel Prior Guided Deep Network for Retinal Image Quality Assessment

• arxiv url: http://arxiv.org/abs/2010.13313v2
• Date: Tue, 20 Apr 2021 14:50:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 19:49:30.209449
• Title: A Dark and Bright Channel Prior Guided Deep Network for Retinal Image Quality Assessment
• Title（参考訳）: 網膜画像品質評価のための暗・明チャンネル事前誘導深層ネットワーク
• Authors: Ziwen Xu, Beiji Zou, Qing Liu
• Abstract要約: 本稿では,ガイドネットと呼ばれる網膜画像品質評価のためのディープネットワークを提案する。 具体的には、深い特徴の識別能力を向上させるために、暗くて明るいチャネル事前をネットワークの開始層に埋め込む。 パブリック網膜画像品質データセットEye-Qualityと再注釈データセットRIQA-RFMiDの実験結果から, GuidedNetの有効性が示された。
• 参考スコア（独自算出の注目度）: 6.427808996283626
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retinal image quality assessment is an essential task in the diagnosis of retinal diseases. Recently, there are emerging deep models to grade quality of retinal images. Current state-of-the-arts either directly transfer classification networks originally designed for natural images to quality classification of retinal images or introduce extra image quality priors via multiple CNN branches or independent CNNs. This paper proposes a dark and bright channel prior guided deep network for retinal image quality assessment called GuidedNet. Specifically, the dark and bright channel priors are embedded into the start layer of network to improve the discriminate ability of deep features. In addition, we re-annotate a new retinal image quality dataset called RIQA-RFMiD for further validation. Experimental results on a public retinal image quality dataset Eye-Quality and our re-annotated dataset RIQA-RFMiD demonstrate the effectiveness of the proposed GuidedNet.
• Abstract（参考訳）: 網膜画像品質評価は網膜疾患の診断に欠かせない課題である。 近年,網膜画像の画質向上のための深層モデルが登場している。 現在の最先端技術は、もともと自然画像用に設計された分類網を直接網膜画像の品質分類に転送するか、複数のCNNブランチまたは独立したCNNを介して追加の画像品質の事前を導入している。 本稿では、網膜画像品質評価のための暗く明るいチャンネル事前ガイド付き深層ネットワークであるguidednetを提案する。 具体的には、深い特徴の識別能力を向上させるために、暗くて明るいチャネル事前をネットワークの開始層に埋め込む。 さらに、RIQA-RFMiDと呼ばれる新しい網膜画像品質データセットを再注釈し、さらなる検証を行う。 パブリック網膜画像品質データセットEye-Qualityと再注釈データセットRIQA-RFMiDの実験結果から,提案したガイドネットの有効性が示された。

関連論文リスト

• FGR-Net:Interpretable fundus imagegradeability classification based on deepreconstruction learning [4.377496499420086]
  本稿ではFGR-Netと呼ばれる新しいフレームワークを提案する。 FGR-Netモデルは、可視化による解釈可能な品質評価も提供する。 その結果,FGR-Netの精度は89%,F1スコアは87%であった。
  論文  参考訳（メタデータ） (2024-09-16T12:56:23Z)
• Self-supervised Domain Adaptation for Breaking the Limits of Low-quality Fundus Image Quality Enhancement [14.677912534121273]
  低画質の眼底画像とスタイルの整合性は、眼底疾患の診断における不確実性を高める可能性がある。 画像内容、低品質要因、スタイル情報の特徴を乱すために、2つの自己教師付きドメイン適応タスクを定式化する。 我々のDASQE法は,低画質の画像しか得られない場合に,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-01-17T15:07:20Z)
• Textural-Structural Joint Learning for No-Reference Super-Resolution Image Quality Assessment [59.91741119995321]
  我々は、TSNetと呼ばれる品質予測のためのテキスト情報と構造情報を共同で探索するデュアルストリームネットワークを開発した。 画像の重要な領域に注意を払っている人間の視覚システム(HVS)を模倣することにより、視覚に敏感な領域をより区別しやすくするための空間的注意機構を開発する。 実験の結果,提案したTSNetは現状のIQA法よりも視覚的品質を正確に予測し,人間の視点との整合性を示した。
  論文  参考訳（メタデータ） (2022-05-27T09:20:06Z)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• Image Quality Assessment using Contrastive Learning [50.265638572116984]
  我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。 本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。 以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T21:01:00Z)
• Deep Tiny Network for Recognition-Oriented Face Image Quality Assessment [26.792481400792376]
  多くの顔認識(FR)のシナリオでは、顔画像は大きな変分を含むシーケンスから取得される。 本稿では、画像品質評価(IQA)とFRを直接リンクするFRの非参照画像品質評価を行う。 提案した品質測定に基づいて,データから品質予測関数を学習する深層顔品質ネットワーク(tinyFQnet)を提案する。
  論文  参考訳（メタデータ） (2021-06-09T07:20:54Z)
• NuI-Go: Recursive Non-Local Encoder-Decoder Network for Retinal Image Non-Uniform Illumination Removal [96.12120000492962]
  網膜画像の画質は、眼の病変や不完全な画像処理のために臨床的に不満足であることが多い。 網膜画像における最も難しい品質劣化問題の1つは、一様でない照明である。 我々はNuI-Goと呼ばれる網膜画像に対する均一でない照明除去ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-08-07T04:31:33Z)
• Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
  低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。 本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。 合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
  論文  参考訳（メタデータ） (2020-05-12T08:01:16Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。