論文の概要: Detecting Outliers with Foreign Patch Interpolation

• arxiv url: http://arxiv.org/abs/2011.04197v2
• Date: Wed, 13 Apr 2022 13:04:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 01:18:03.408955
• Title: Detecting Outliers with Foreign Patch Interpolation
• Title（参考訳）: 外部パッチ補間による外乱検出
• Authors: Jeremy Tan, Benjamin Hou, James Batten, Huaqi Qiu, Bernhard Kainz
• Abstract要約: 正常な解剖学の自然変動を利用して、様々な合成異常を発生させる。 デコーダは、パッチとその外れ値の画素ワイズ予測を行うように訓練される。 因子の推定は、スコアの導出に相応しい。
• 参考スコア（独自算出の注目度）: 4.173136836455549
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In medical imaging, outliers can contain hypo/hyper-intensities, minor deformations, or completely altered anatomy. To detect these irregularities it is helpful to learn the features present in both normal and abnormal images. However this is difficult because of the wide range of possible abnormalities and also the number of ways that normal anatomy can vary naturally. As such, we leverage the natural variations in normal anatomy to create a range of synthetic abnormalities. Specifically, the same patch region is extracted from two independent samples and replaced with an interpolation between both patches. The interpolation factor, patch size, and patch location are randomly sampled from uniform distributions. A wide residual encoder decoder is trained to give a pixel-wise prediction of the patch and its interpolation factor. This encourages the network to learn what features to expect normally and to identify where foreign patterns have been introduced. The estimate of the interpolation factor lends itself nicely to the derivation of an outlier score. Meanwhile the pixel-wise output allows for pixel- and subject- level predictions using the same model.
• Abstract（参考訳）: 医用画像では、異常/超強度、小さな変形、あるいは完全に変化する解剖を含むことができる。 これらの異常を検出するには、正常画像と異常画像の両方に存在する特徴を学ぶことが有用である。 しかし、これは広範囲の異常があり、また正常な解剖学が自然に変化する可能性があるため困難である。 そのため、通常の解剖学の自然変動を利用して、様々な合成異常を生み出す。 具体的には、2つの独立したサンプルから同じパッチ領域を抽出し、両方のパッチ間の補間に置き換える。 補間係数、パッチサイズ、パッチ位置は、均一分布からランダムにサンプリングされる。 広範囲の残差エンコーダデコーダを訓練し、パッチとその補間係数の画素ワイズ予測を行う。 これにより、ネットワークは普通に期待する機能を学び、外国のパターンが導入されている場所を特定することができる。 補間係数の推定は、外れ値の導出に適している。 一方、ピクセル単位の出力は、同じモデルを使ってピクセル単位と主題単位の予測を可能にする。

関連論文リスト

• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• HydraViT: Adaptive Multi-Branch Transformer for Multi-Label Disease Classification from Chest X-ray Images [0.0]
  胸部X線画像におけるマルチラベル分類性能を改善するための新しい手法を提案する。 HydraViTは、トランスフォーマーバックボーンとマルチブランチ出力モジュールと学習重み付けを組み合わせたものだ。 HydraViTは、競合する注意誘導手法の1.2%、地域誘導手法の1.4%、意味誘導手法の1.0%を上回っている。
  論文  参考訳（メタデータ） (2023-10-09T20:45:29Z)
• Unsupervised Anomaly Localization with Structural Feature-Autoencoders [6.667150890634173]
  医用画像の病因を検出する手段としては, 教師なし異常検出が一般的な方法となっている。 本稿では,入力強度画像を複数のチャネルを持つ空間に変換する特徴マッピング関数を用いてこの問題に対処する。 次に、この空間におけるオートエンコーダモデルを、強度の違いだけでなく、コントラストや構造の違いも考慮した構造的類似性損失を用いて訓練する。
  論文  参考訳（メタデータ） (2022-08-23T14:19:46Z)
• Augment to Detect Anomalies with Continuous Labelling [10.646747658653785]
  異常検出は、トレーニング観察と何らかの点で異なるサンプルを認識することである。 最近の最先端のディープラーニングに基づく異常検出手法は、計算コスト、複雑さ、不安定な訓練手順、非自明な実装に悩まされている。 我々は、軽量な畳み込みニューラルネットワークを訓練し、異常検出における最先端の性能に到達するための単純な学習手順を活用する。
  論文  参考訳（メタデータ） (2022-07-03T20:11:51Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• AnoViT: Unsupervised Anomaly Detection and Localization with Vision Transformer-based Encoder-Decoder [3.31490164885582]
  我々は,画像パッチ間のグローバルな関係を学習することにより,通常の情報を反映する視覚変換器を用いたエンコーダデコーダモデルAnoViTを提案する。 提案モデルは,3つのベンチマークデータセット上での畳み込みモデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-03-21T09:01:37Z)
• SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
  無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
  論文  参考訳（メタデータ） (2021-11-26T13:47:34Z)
• Inpainting Transformer for Anomaly Detection [0.0]
  Inpainting Transformer(InTra)は、多数のイメージパッチにカバーパッチを塗布するように訓練されている。 InTraは、検出とローカライゼーションのためのMVTec ADデータセットの最先端結果よりも優れている。
  論文  参考訳（メタデータ） (2021-04-28T17:27:44Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
  2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。 この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。 本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
  論文  参考訳（メタデータ） (2020-10-12T13:26:30Z)

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。