論文の概要: Principled network extraction from images
- arxiv url: http://arxiv.org/abs/2012.12758v1
- Date: Wed, 23 Dec 2020 15:56:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 17:59:37.095357
- Title: Principled network extraction from images
- Title（参考訳）: 画像からの原理的ネットワーク抽出
- Authors: Diego Baptista and Caterina De Bacco
- Abstract要約: 本稿では,スケーラブルで効率的な画像からネットワークトポロジを抽出する原理モデルを提案する。
我々は,網膜血管系,スライムカビ,河川網の実際の画像を用いて本モデルを検証した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Images of natural systems may represent patterns of network-like structure,
which could reveal important information about the topological properties of
the underlying subject. However, the image itself does not automatically
provide a formal definition of a network in terms of sets of nodes and edges.
Instead, this information should be suitably extracted from the raw image data.
Motivated by this, we present a principled model to extract network topologies
from images that is scalable and efficient. We map this goal into solving a
routing optimization problem where the solution is a network that minimizes an
energy function which can be interpreted in terms of an operational and
infrastructural cost. Our method relies on recent results from optimal
transport theory and is a principled alternative to standard image-processing
techniques that are based on heuristics. We test our model on real images of
the retinal vascular system, slime mold and river networks and compare with
routines combining image-processing techniques. Results are tested in terms of
a similarity measure related to the amount of information preserved in the
extraction. We find that our model finds networks from retina vascular network
images that are more similar to hand-labeled ones, while also giving high
performance in extracting networks from images of rivers and slime mold for
which there is no ground truth available. While there is no unique method that
fits all the images the best, our approach performs consistently across
datasets, its algorithmic implementation is efficient and can be fully
automatized to be run on several datasets with little supervision.
- Abstract（参考訳）: 自然系の画像は、ネットワークのような構造を表現し、基礎となる対象のトポロジ的特性に関する重要な情報を明らかにすることができる。
しかし、画像自体がノードとエッジのセットという観点でネットワークの正式な定義を自動で提供するわけではない。
代わりに、この情報は原画像データから好適に抽出されるべきである。
そこで我々は,スケーラブルで効率的な画像からネットワークトポロジを抽出する基本モデルを提案する。
我々は,この目標を,運用コストやインフラコストの観点から解釈可能なエネルギー関数を最小限に抑えるネットワークであるルーティング最適化問題にマッピングする。
本手法は, 最適輸送理論の最近の結果に依拠し, ヒューリスティックスに基づく標準画像処理手法に代わる原理的手法である。
網膜血管系,スライム型,河川ネットワークの実際の画像を用いて実験を行い,画像処理技術を組み合わせたルーチンと比較した。
結果は抽出に保存された情報量に関する類似度尺度を用いて検証される。
本モデルでは,手書き画像に類似した網膜血管網画像からネットワークを抽出し,河川やスライムカビの画像からネットワークを抽出し,真理が得られていない場合に高い性能を示す。
すべての画像をベストに適合させるユニークな方法はないが、我々のアプローチはデータセット間で一貫して実行しているが、アルゴリズムの実装は効率的であり、監督のほとんどない複数のデータセット上で実行できるように完全に自動化することができる。
関連論文リスト
- Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳（メタデータ） (2023-10-11T12:46:11Z) - DELAD: Deep Landweber-guided deconvolution with Hessian and sparse prior [0.22940141855172028]
本稿では,古典的反復法をディープラーニングアプリケーションに組み込んだ非盲検画像デコンボリューションモデルを提案する。
このアルゴリズムは、トレーニング可能な畳み込み層と統合され、復元された画像構造と詳細を強化する。
論文 参考訳（メタデータ） (2022-09-30T11:15:03Z) - Adaptive Convolutional Dictionary Network for CT Metal Artifact
Reduction [62.691996239590125]
本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。
我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。
本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
論文 参考訳（メタデータ） (2022-05-16T06:49:36Z) - Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。
実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
論文 参考訳（メタデータ） (2021-11-27T12:12:57Z) - 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) - HistoTransfer: Understanding Transfer Learning for Histopathology [9.231495418218813]
我々は、ImageNetと病理組織データに基づいてトレーニングされたネットワークから抽出された特徴の性能を比較した。
より複雑なネットワークを用いて学習した機能が性能向上につながるかどうかを検討する。
論文 参考訳（メタデータ） (2021-06-13T18:55:23Z) - Joint Learning of Neural Transfer and Architecture Adaptation for Image
Recognition [77.95361323613147]
現在の最先端の視覚認識システムは、大規模データセット上でニューラルネットワークを事前トレーニングし、より小さなデータセットでネットワーク重みを微調整することに依存している。
本稿では,各ドメインタスクに適応したネットワークアーキテクチャの動的適応と,効率と効率の両面で重みの微調整の利点を実証する。
本手法は,ソースドメインタスクでスーパーネットトレーニングを自己教師付き学習に置き換え,下流タスクで線形評価を行うことにより,教師なしパラダイムに容易に一般化することができる。
論文 参考訳（メタデータ） (2021-03-31T08:15:17Z) - Manifold Regularized Dynamic Network Pruning [102.24146031250034]
本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。
提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
論文 参考訳（メタデータ） (2021-03-10T03:59:03Z) - Efficient and Model-Based Infrared and Visible Image Fusion Via
Algorithm Unrolling [24.83209572888164]
赤外線および可視画像融合(IVIF)は、赤外線画像からの熱放射情報を保持する画像と、可視画像からテクスチャの詳細を取得することを期待している。
従来のCNNベースのIVIFモデルの欠点を克服するために,モデルベース畳み込みニューラルネットワーク(CNN)モデルを提案する。
論文 参考訳（メタデータ） (2020-05-12T16:15:56Z)
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。