Fugu-MT 論文翻訳(概要): Effects of Image Size on Deep Learning

論文の概要: Effects of Image Size on Deep Learning

arxiv url: http://arxiv.org/abs/2101.11508v1
Date: Wed, 27 Jan 2021 16:07:48 GMT
ステータス: 処理完了
システム内更新日: 2021-02-01 21:12:36.476612
Title: Effects of Image Size on Deep Learning
Title（参考訳）: 画像サイズがディープラーニングに及ぼす影響
Authors: Olivier Rukundo
Abstract要約: 画像アルゴリズムは、収穫された画像サイズを2倍にし、新しいデータセットを作成するために使用される。非原型クラスは、基底真理画像内に生成され、そのような急激なクラスを除去するためにフィルタリング戦略が導入される。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The question is: what size of the region of interest is likely to lead to better training outcomes? To answer this: The U-net is used for semantic segmentation. Image interpolation algorithms are used to double the cropped image size and create new datasets. Depending on the selected image interpolation algorithm category, non-original classes are created in the ground truth images thus a filtering strategy is introduced to remove such spurious classes. Evaluation results of effects on the myocardium segmentation and quantification of the myocardial infarction are provided and discussed.
Abstract（参考訳）: 質問は、関心のある地域のどのサイズがより良いトレーニング結果につながる可能性が高いですか? u-netはセマンティクスのセグメンテーションに使われている。画像補間アルゴリズムは、切り抜かれた画像サイズを2倍にし、新しいデータセットを作成するために使用される。選択された画像補間アルゴリズムのカテゴリにより、基底真理画像に非固有クラスが作成されるので、そのようなスプリアスクラスを除去するフィルタリング戦略が導入される。心筋梗塞の心筋セグメンテーションおよび定量化に対する効果の評価結果を提供し、議論する。

関連論文リスト

Contour-weighted loss for class-imbalanced image segmentation [2.183832403223894]
画像のセグメンテーションは、ほとんど全ての医療画像解析において、自動解釈と処理において極めて重要である。クラス内とクラス間のデータ不均衡のため、イメージセグメンテーションを実行することはしばしば困難である。本稿では,コンパクトで効果的な輪郭重み付き損失関数を用いた新しい手法を提案する。
論文参考訳（メタデータ） (2024-06-07T07:43:52Z)
Topology-Aware Loss for Aorta and Great Vessel Segmentation in Computed Tomography Images [1.4680035572775534]
本稿では, 地平と予測のトポロジの相違を罰する新たなトポロジ認識損失関数を提案する。 4327枚のCT画像から,提案したトポロジ・アウェア・ロス関数がそれより優れた結果をもたらすことが明らかとなった。
論文参考訳（メタデータ） (2023-07-06T17:06:49Z)
Learning to segment from object sizes [0.0]
本稿では,数画素の注釈付き画像と既知のオブジェクトサイズを持つ多数の画像のデータセットから,ディープセグメンテーションネットワークをトレーニングするアルゴリズムを提案する。このアルゴリズムは、勾配をサンプリングし、標準のバックプロパゲーションアルゴリズムを使用することで、オブジェクトサイズに対して定義された離散的な(微分不可能な)損失関数を最小化する。
論文参考訳（メタデータ） (2022-07-01T09:34:44Z)
Scale Normalized Image Pyramids with AutoFocus for Object Detection [75.71320993452372]
スケール正規化画像ピラミッド(SNIP)が生成され、人間の視覚と同様に、異なるスケールで固定されたサイズ範囲内のオブジェクトにのみ参加する。本研究では,オブジェクトを含む可能性のある固定サイズのサブリージョンのみで動作する,効率的な空間サブサンプリング手法を提案する。結果のアルゴリズムはAutoFocusと呼ばれ、SNIPを使用する場合の推論では2.5～5倍のスピードアップとなる。
論文参考訳（メタデータ） (2021-02-10T18:57:53Z)
Convolutional Neural Networks from Image Markers [62.997667081978825]
特徴画像マーカーからの学習(FLIM)は、ごく少数の画像でユーザーが描画したストロークから、バックプロパゲーションのない畳み込みフィルタを推定するために最近提案されました。本稿では、フルコネクテッド層に対してFLIMを拡張し、異なる画像分類問題について実証する。その結果、FLIMベースの畳み込みニューラルネットワークは、バックプロパゲーションによってゼロから訓練された同じアーキテクチャを上回ります。
論文参考訳（メタデータ） (2020-12-15T22:58:23Z)
Adaptive Label Smoothing [1.3198689566654107]
本稿では,学習中の目的意識とラベルの平滑化を併用した新しい分類手法を提案する。適応ラベルスムーシングを用いて訓練されたCNNが、予測に過信される可能性がはるかに低いことを示すために、ImageNetを用いた広範な結果を示す。
論文参考訳（メタデータ） (2020-09-14T13:37:30Z)
Deep Convolutional Neural Network for Identifying Seam-Carving Forgery [10.324492319976798]
本稿では,畳み込み型ニューラルネットワーク(CNN)を用いたシーム彫刻に基づく画像の分類と拡大手法を提案する。本研究は,3クラス分類(オリジナル,シーム挿入,シーム除去)における最先端性能を示す。
論文参考訳（メタデータ） (2020-07-05T17:20:51Z)
Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation [128.03739769844736]
2つのニューラルコアテンションを分類器に組み込んで、画像間のセマンティックな類似点と相違点をキャプチャする。オブジェクトパターン学習の強化に加えて、コアテンションは他の関連する画像からのコンテキストを活用して、ローカライズマップの推論を改善することができる。提案アルゴリズムは,これらすべての設定に対して新たな最先端性を設定し,その有効性と一般化性を示す。
論文参考訳（メタデータ） (2020-07-03T21:53:46Z)
Distilling Localization for Self-Supervised Representation Learning [82.79808902674282]
コントラスト学習は教師なし表現学習に革命をもたらした。現在のコントラストモデルでは、前景オブジェクトのローカライズには効果がない。本稿では,背景変化を学習するためのデータ駆動型手法を提案する。
論文参考訳（メタデータ） (2020-04-14T16:29:42Z)
Attentive CutMix: An Enhanced Data Augmentation Approach for Deep Learning Based Image Classification [58.20132466198622]
そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
論文参考訳（メタデータ） (2020-03-29T15:01:05Z)
DeepEMD: Differentiable Earth Mover's Distance for Few-Shot Learning [122.51237307910878]
我々は,画像領域間の最適なマッチングの新しい視点から,少数ショット画像分類法を開発した。我々は、高密度画像表現間の構造距離を計算するために、Earth Mover's Distance (EMD) を用いている。定式化において重要な要素の重みを生成するために,我々は相互参照機構を設計する。
論文参考訳（メタデータ） (2020-03-15T08:13:16Z)

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。