論文の概要: What is the best data augmentation for 3D brain tumor segmentation?
- arxiv url: http://arxiv.org/abs/2010.13372v2
- Date: Sat, 16 Jan 2021 15:28:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 18:38:41.879078
- Title: What is the best data augmentation for 3D brain tumor segmentation?
- Title（参考訳）: 3d脳腫瘍分割のための最良のデータ拡張とは何か?
- Authors: Marco Domenico Cirillo and David Abramian and Anders Eklund
- Abstract要約: トレーニングセグメンテーションネットワークは大きな注釈付きデータセットを必要としており、医用画像では入手が困難である。
このプロジェクトでは,標準的な3次元U-Netのトレーニングにおいて,様々な種類のデータ拡張(フリップ,ローテーション,スケーリング,輝度調整,弾性変形)を適用する。
我々の結論は、明るさ増倍と弾性変形が最適であり、異なる増倍技術の組み合わせが更なる改善をもたらすことはないということである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Training segmentation networks requires large annotated datasets, which in
medical imaging can be hard to obtain. Despite this fact, data augmentation has
in our opinion not been fully explored for brain tumor segmentation. In this
project we apply different types of data augmentation (flipping, rotation,
scaling, brightness adjustment, elastic deformation) when training a standard
3D U-Net, and demonstrate that augmentation significantly improves the
network's performance in many cases. Our conclusion is that brightness
augmentation and elastic deformation work best, and that combinations of
different augmentation techniques do not provide further improvement compared
to only using one augmentation technique. Our code is available at
https://github.com/mdciri/3D-augmentation-techniques.
- Abstract（参考訳）: トレーニングセグメンテーションネットワークは大きな注釈付きデータセットを必要としており、医用画像では入手が困難である。
この事実にもかかわらず、我々の意見では、データ拡張は脳腫瘍のセグメンテーションのために完全には研究されていない。
本稿では,標準的な3次元U-Netのトレーニングにおいて,様々な種類のデータ拡張(浮動,回転,スケーリング,明るさ調整,弾性変形)を適用し,拡張がネットワークの性能を著しく向上させることを示す。
本研究の結論は, 輝度増強と弾性変形が最適であり, 異なる拡張技術の組み合わせは, 1つの強化技術のみを用いた場合に比べ, それ以上の改善は得られない, というものである。
私たちのコードはhttps://github.com/mdciri/3D-augmentation-techniquesで利用可能です。
関連論文リスト
- DualAug: Exploiting Additional Heavy Augmentation with OOD Data
Rejection [77.6648187359111]
そこで本稿では,textbfDualAug という新しいデータ拡張手法を提案する。
教師付き画像分類ベンチマークの実験では、DualAugは様々な自動データ拡張法を改善している。
論文 参考訳（メタデータ） (2023-10-12T08:55:10Z) - Tied-Augment: Controlling Representation Similarity Improves Data
Augmentation [18.446051824487792]
我々は、広範囲のアプリケーションでデータ拡張を改善するため、Tied-Augmentと呼ばれるフレームワークを提案する。
Tied-Augmentは、データ拡張(RandAugment、mixupなど)、最適化(SAMなど)、半教師付き学習(FixMatchなど)から最先端の手法を改善することができる。
論文 参考訳（メタデータ） (2023-05-22T22:23:40Z) - Advanced Data Augmentation Approaches: A Comprehensive Survey and Future
directions [57.30984060215482]
データ拡張の背景、レビューされたデータ拡張技術の新しい包括的分類法、および各技術の強さと弱点(可能ならば)を提供する。
また、画像分類、オブジェクト検出、セマンティックセグメンテーションなどの3つの一般的なコンピュータビジョンタスクに対して、データ拡張効果の総合的な結果を提供する。
論文 参考訳（メタデータ） (2023-01-07T11:37:32Z) - Soft Augmentation for Image Classification [68.71067594724663]
本稿では,変分変換による拡張の一般化とソフト拡張を提案する。
ソフトターゲットは、より攻撃的なデータ拡張を可能にすることを示す。
また,ソフト拡張が自己教師付き分類タスクに一般化されることも示している。
論文 参考訳（メタデータ） (2022-11-09T01:04:06Z) - LidarAugment: Searching for Scalable 3D LiDAR Data Augmentations [55.45435708426761]
LidarAugmentは3Dオブジェクト検出のための検索ベースのデータ拡張戦略である。
LidarAugmentはさまざまなモデルアーキテクチャ用にカスタマイズできる。
畳み込みベースのUPillars/StarNet/RSNとトランスフォーマーベースのSWFormerを一貫して改善する。
論文 参考訳（メタデータ） (2022-10-24T18:00:04Z) - Data-Efficient Augmentation for Training Neural Networks [15.870155099135538]
本稿では,データポイントのサブセットを選択するための厳密な手法を提案する。
SVHNのCIFAR10では6.3倍,SVHNでは2.2倍の高速化を実現し,様々なサブセットサイズでベースラインを最大10%向上させる。
論文 参考訳（メタデータ） (2022-10-15T19:32:20Z) - Augmentation Pathways Network for Visual Recognition [61.33084317147437]
本稿では,より広範な拡張ポリシーのトレーニングを安定させるために,Augmentation Pathways (AP)を導入している。
APは、重いデータ拡張をテーパーし、拡張ポリシーの慎重に選択することなく、安定してパフォーマンスを向上させる。
ImageNetベンチマークの実験結果は、より広い範囲の拡張における互換性と有効性を示している。
論文 参考訳（メタデータ） (2021-07-26T06:54:53Z) - CADDA: Class-wise Automatic Differentiable Data Augmentation for EEG
Signals [92.60744099084157]
本研究では、勾配に基づく学習に適した微分可能データ拡張を提案する。
本研究は,臨床関連睡眠ステージ分類課題におけるアプローチの意義を示す。
論文 参考訳（メタデータ） (2021-06-25T15:28:48Z) - InAugment: Improving Classifiers via Internal Augmentation [14.281619356571724]
本稿では,画像内部統計を活用した新しい拡張操作を提案する。
最先端の増補技術による改善を示す。
また,imagenetデータセット上では,resnet50 と efficientnet-b3 top-1 の精度も向上している。
論文 参考訳（メタデータ） (2021-04-08T15:37:21Z) - Enabling Data Diversity: Efficient Automatic Augmentation via
Regularized Adversarial Training [9.39080195887973]
2つのmin-max目標と3つの微分可能な拡張モデルを用いて,正規化逆学習フレームワークを提案する。
2次元皮膚がん分類と3次元臓器分画の両方において,最先端の自己指示法よりも優れた性能を実現する。
論文 参考訳（メタデータ） (2021-03-30T16:49:20Z) - Automatic Data Augmentation for 3D Medical Image Segmentation [37.262350163905445]
医用画像分割作業において、識別可能な自動データ拡張が採用されたのは、これが初めてである。
我々の数値実験により,提案手法は,最先端モデルの既存のビルトインデータ拡張を著しく上回っていることが示された。
論文 参考訳（メタデータ） (2020-10-07T12:51:17Z)
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。