論文の概要: Morphology on categorical distributions

• arxiv url: http://arxiv.org/abs/2012.07315v1
• Date: Mon, 14 Dec 2020 07:54:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 14:31:40.428438
• Title: Morphology on categorical distributions
• Title（参考訳）: 圏分布のモルフォロジー
• Authors: Silas Nyboe {\O}rting, Hans Jacob Teglbj{\ae}rg Stephensen, Jon Sporring
• Abstract要約: 分類分布は、マルチクラスセグメンテーションにおける不確実性の自然な表現である。 分類分布のイメージが完全な格子ではないため、不確定なマルチクラスセグメンテーションに形態学的操作を適用することは簡単ではない。 本研究では,古典的形態学と確率論的視点を組み合わせることにより,カテゴリー分布に関する形態学の要件を定式化する。
• 参考スコア（独自算出の注目度）: 1.138723572165938
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The categorical distribution is a natural representation of uncertainty in multi-class segmentations. In the two-class case the categorical distribution reduces to the Bernoulli distribution, for which grayscale morphology provides a range of useful operations. In the general case, applying morphological operations on uncertain multi-class segmentations is not straightforward as an image of categorical distributions is not a complete lattice. Although morphology on color images has received wide attention, this is not so for color-coded or categorical images and even less so for images of categorical distributions. In this work, we establish a set of requirements for morphology on categorical distributions by combining classic morphology with a probabilistic view. We then define operators respecting these requirements, introduce protected operations on categorical distributions and illustrate the utility of these operators on two example tasks: modeling annotator bias in brain tumor segmentations and segmenting vesicle instances from the predictions of a multi-class U-Net.
• Abstract（参考訳）: カテゴリー分布は、多クラスセグメンテーションにおける不確かさの自然な表現である。 2クラスの場合、カテゴリー分布はベルヌーイ分布に還元され、グレースケールの形態は様々な有用な操作を提供する。 一般に、不確定な多クラスセグメンテーションに形態素演算を適用することは、圏分布の像が完備格子ではないため、単純ではない。 カラー画像の形態学は注目されているが、カラー画像やカテゴリ画像ではそうではない。 本研究では,古典的形態学と確率論的視点を組み合わせることにより,カテゴリー分布に関する形態学の要件を定式化する。 次に、これらの要件を尊重する演算子を定義し、カテゴリ分布の保護操作を導入し、脳腫瘍のセグメンテーションにおけるアノテータバイアスのモデル化と、マルチクラスのU-Netの予測からベシクルインスタンスのセグメンテーションの2つの例でこれらの演算子の有用性を説明する。

関連論文リスト

• CoinSeg: Contrast Inter- and Intra- Class Representations for Incremental Segmentation [85.13209973293229]
  クラスインクリメンタルセマンティックセグメンテーションは、モデルの安定性と可塑性のバランスをとることを目的としている。 インクリメンタル(CoinSeg)のためのコントラスト間およびクラス内表現を提案する。
  論文  参考訳（メタデータ） (2023-10-10T07:08:49Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Your Diffusion Model is Secretly a Zero-Shot Classifier [90.40799216880342]
  大規模テキスト・画像拡散モデルからの密度推定をゼロショット分類に活用できることを示す。 分類に対する我々の生成的アプローチは、様々なベンチマークで強い結果が得られる。 我々の結果は、下流タスクにおける差別的モデルよりも生成的な利用に向けての一歩である。
  論文  参考訳（メタデータ） (2023-03-28T17:59:56Z)
• Stochastic Segmentation with Conditional Categorical Diffusion Models [3.8168879948759953]
  Denoising Diffusion Probabilistic Models に基づくセマンティックセグメンテーションのための条件カテゴリー拡散モデル(CCDM)を提案する。 以上の結果から,CCDMはLIDC上での最先端性能を実現し,従来のセグメンテーションデータセットであるCityscapesのベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-03-15T19:16:47Z)
• Neural Representations Reveal Distinct Modes of Class Fitting in Residual Convolutional Networks [5.1271832547387115]
  ニューラル表現の確率モデルを利用して、残余ネットワークがクラスにどのように適合するかを調べる。 調査対象モデルのクラスは均一に適合していないことがわかった。 神経表現の未発見構造は, トレーニング例の堅牢性と, 対向記憶の相関性を示す。
  論文  参考訳（メタデータ） (2022-12-01T18:55:58Z)
• Disentangled representations: towards interpretation of sex determination from hip bone [1.0775419935941009]
  サリエンシマップは ニューラルネットワークを解釈する 一般的な方法になっています 我々は、より良い解釈可能性のための新しいパラダイムを提案する。 法医学における股関節からの自動性決定の文脈におけるこのアプローチの意義について述べる。
  論文  参考訳（メタデータ） (2021-12-17T10:07:05Z)
• Learning Debiased and Disentangled Representations for Semantic Segmentation [52.35766945827972]
  セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。 各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。 提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
  論文  参考訳（メタデータ） (2021-10-31T16:15:09Z)
• Tackling Inter-Class Similarity and Intra-Class Variance for Microscopic Image-based Classification [0.0]
  クラス間の類似性とクラス間の差異が誤分類の原因となると考えられる。 本稿では,視覚的特徴に基づいて,クラスを高い分散度で分割することで,それを説明することを提案する。 提案アルゴリズムは,作成したサブクラスの最適な数を自動的に決定し,各サブクラスを個別のトレーニングクラスとみなす。
  論文  参考訳（メタデータ） (2021-09-24T11:17:02Z)
• Semantic Distribution-aware Contrastive Adaptation for Semantic Segmentation [50.621269117524925]
  ドメイン適応セマンティックセグメンテーション(ドメイン適応セマンティックセグメンテーション)とは、特定のソースドメインのアノテーションだけで特定のターゲットドメイン上で予測を行うことを指す。 画素ワイド表示アライメントを可能にする意味分布対応コントラスト適応アルゴリズムを提案する。 複数のベンチマークでSDCAを評価し、既存のアルゴリズムを大幅に改善します。
  論文  参考訳（メタデータ） (2021-05-11T13:21:25Z)
• Intra-Class Uncertainty Loss Function for Classification [6.523198497365588]
  特にアンバランスクラスを含むデータセットでは、クラス内の不確実性/可変性は考慮されない。 本フレームワークでは,各クラスの深いネットワークによって抽出された特徴を,独立なガウス分布によって特徴付ける。 提案手法は,より優れたクラス表現を学習することで,分類性能の向上を示す。
  論文  参考訳（メタデータ） (2021-04-12T09:02:41Z)
• Embedding Propagation: Smoother Manifold for Few-Shot Classification [131.81692677836202]
  本稿では, 組込み伝搬を非教師なし非パラメトリック正規化器として, 数ショット分類における多様体平滑化に用いることを提案する。 埋め込み伝播がより滑らかな埋め込み多様体を生み出すことを実証的に示す。 複数の半教師付き学習シナリオにおいて,埋め込み伝搬によりモデルの精度が最大16%向上することを示す。
  論文  参考訳（メタデータ） (2020-03-09T13:51:09Z)

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。