論文の概要: Bayesian U-Net for Segmenting Glaciers in SAR Imagery

• arxiv url: http://arxiv.org/abs/2101.03249v1
• Date: Fri, 8 Jan 2021 23:17:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-10 05:42:48.959270
• Title: Bayesian U-Net for Segmenting Glaciers in SAR Imagery
• Title（参考訳）: SAR画像における氷河セグメンテーションのためのベイズU-Net
• Authors: Andreas Hartmann, Amirabbas Davari, Thorsten Seehaus, Matthias Braun, Andreas Maier, Vincent Christlein
• Abstract要約: 不確実性を計算し,新しい二段階プロセスとして不確実性最適化手法として用いることを提案する。 ネットワークへの不確実性マップの供給は95.24%のdice類似性をもたらす。 これは、最先端の決定論的U-Netベースの氷河セグメンテーションパイプラインと比較して、全体的なセグメンテーション性能の改善である。
• 参考スコア（独自算出の注目度）: 7.960675807187592
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fluctuations of the glacier calving front have an important influence over the ice flow of whole glacier systems. It is therefore important to precisely monitor the position of the calving front. However, the manual delineation of SAR images is a difficult, laborious and subjective task. Convolutional neural networks have previously shown promising results in automating the glacier segmentation in SAR images, making them desirable for further exploration of their possibilities. In this work, we propose to compute uncertainty and use it in an Uncertainty Optimization regime as a novel two-stage process. By using dropout as a random sampling layer in a U-Net architecture, we create a probabilistic Bayesian Neural Network. With several forward passes, we create a sampling distribution, which can estimate the model uncertainty for each pixel in the segmentation mask. The additional uncertainty map information can serve as a guideline for the experts in the manual annotation of the data. Furthermore, feeding the uncertainty map to the network leads to 95.24% Dice similarity, which is an overall improvement in the segmentation performance compared to the state-of-the-art deterministic U-Net-based glacier segmentation pipelines.
• Abstract（参考訳）: 氷河ボーリングフロントのゆらぎは、氷河系全体の氷の流れに重要な影響を与えている。 したがって、カルビングフロントの位置を正確に監視することが重要である。 しかし、SAR画像のマニュアル記述は困難で、退屈で主観的な作業である。 畳み込みニューラルネットワークは以前、SAR画像の氷河セグメンテーションの自動化において有望な結果を示しており、それらの可能性のさらなる探索が望ましい。 本研究では,不確かさを計算し,新しい2段階プロセスとして不確実性最適化システムで利用することを提案する。 U-Netアーキテクチャにおけるランダムサンプリング層としてドロップアウトを用いることで、確率ベイズニューラルネットワークを作成する。 複数のフォワードパスを用いてサンプリング分布を作成し,セグメンテーションマスク内の各画素のモデル不確かさを推定する。 追加の不確実性マップ情報は、データのマニュアルアノテーションにおける専門家のガイドラインとして機能する。 さらに、ネットワークへの不確実性マップの供給は95.24%のdice類似性をもたらし、これは最先端の決定論的u-netベースの氷河区分パイプラインと比較して、セグメンテーション性能の全体的な改善である。

関連論文リスト

• A Deep Active Contour Model for Delineating Glacier Calving Fronts [17.061463565692456]
  近年の研究では、エッジ検出とセグメンテーションを組み合わせることで、前部検出器の加工精度が向上することが示されている。 中間段階として高密度な予測を組み込まない明示的輪郭検出モデルを提案する。 提案手法はCOBRA(Charting Outlines by Recurrent Adaptation')と呼ばれ、特徴抽出のための畳み込みニューラルネットワーク(CNN)と、デラインのためのアクティブな輪郭モデルを組み合わせたものである。
  論文  参考訳（メタデータ） (2023-07-07T08:45:46Z)
• AMD-HookNet for Glacier Front Segmentation [17.60067480799222]
  氷河の開削前位置の変化に関する知識は 氷河の状態を評価する上で重要です 深層学習に基づく手法は、光学衛星画像やレーダー衛星画像から氷河の前部線を削る大きな可能性を示している。 本研究では,新しい氷河養生フロントセグメンテーションフレームワークであるAttention-Multi-hooking-Deep-supervision HookNetを提案する。
  論文  参考訳（メタデータ） (2023-02-06T12:39:40Z)
• DGNet: Distribution Guided Efficient Learning for Oil Spill Image Segmentation [18.43215454505496]
  SAR(Synthetic Aperture Radar)画像における油流出セグメンテーションの実施は,海洋環境保護に不可欠である。 我々は,SAR画像にバックスキャッタ値の内在分布を組み込むことで,石油流出セグメンテーションを行うDGNetという効果的なセグメンテーションフレームワークを開発した。 提案したDGNetのセグメンテーション性能を異なるメトリクスで評価し,その有効セグメンテーションを実験的に評価した。
  論文  参考訳（メタデータ） (2022-12-19T18:23:50Z)
• Scale Attention for Learning Deep Face Representation: A Study Against Visual Scale Variation [69.45176408639483]
  我々はスケール空間理論に頼って凸層を再構築する。 我々はSCale AttentioN Conv Neural Network(textbfSCAN-CNN)という新しいスタイルを構築した。 単発方式として、推論はマルチショット融合よりも効率的である。
  論文  参考訳（メタデータ） (2022-09-19T06:35:04Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Pixel-wise Distance Regression for Glacier Calving Front Detection and Segmentation [7.64750171496838]
  氷河の進化と現状をモニタリングするための深層学習手法が研究されている。 本研究では,セグメンテーション問題を画素方向回帰タスクに再構成することにより,カルビングフロントクラスと非カルビングフロントクラスとの間のクラス不均衡を軽減することを提案する。 畳み込みニューラルネットワークは、画像の各画素に対する氷河面の距離値を予測するために最適化される。
  論文  参考訳（メタデータ） (2021-03-09T20:58:33Z)
• Glacier Calving Front Segmentation Using Attention U-Net [7.64750171496838]
  Intention U-Net を用いて,SAR 画像から氷河養生前線をエンドツーエンドに分割する手法を提案する。 最先端のU-Netネットワークに注意モジュールを追加することで、注意マップを抽出して学習プロセスを分析できます。 提案する注意点u-netは標準のu-netと同等に動作し,ネットワークがより集中するように学習した領域に対するさらなる洞察を提供する。
  論文  参考訳（メタデータ） (2021-01-08T23:06:21Z)
• Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
  2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
  論文  参考訳（メタデータ） (2021-01-05T18:54:11Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
  病理組織像における腺分節に対するPRS2モデルを提案する。 このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。 我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
  論文  参考訳（メタデータ） (2020-08-06T15:02:38Z)

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。