論文の概要: Consistent Recurrent Neural Networks for 3D Neuron Segmentation

• arxiv url: http://arxiv.org/abs/2102.01021v1
• Date: Mon, 1 Feb 2021 17:54:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-03 01:23:32.917454
• Title: Consistent Recurrent Neural Networks for 3D Neuron Segmentation
• Title（参考訳）: 3次元ニューロン分割のための連続リカレントニューラルネットワーク
• Authors: Felix Gonda, Donglai Wei, Hanspeter Pfister
• Abstract要約: 画像中の各物体の2値マスクを連続的に生成するニューロンの3次元再構成のためのリカレントネットワークを提案する。 本手法は神経節分割のための3つのベンチマークで評価し,SN3D課題における最先端性能を達成した。
• 参考スコア（独自算出の注目度）: 28.105293815657845
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a recurrent network for the 3D reconstruction of neurons that sequentially generates binary masks for every object in an image with spatio-temporal consistency. Our network models consistency in two parts: (i) local, which allows exploring non-occluding and temporally-adjacent object relationships with bi-directional recurrence. (ii) non-local, which allows exploring long-range object relationships in the temporal domain with skip connections. Our proposed network is end-to-end trainable from an input image to a sequence of object masks, and, compared to methods relying on object boundaries, its output does not require post-processing. We evaluate our method on three benchmarks for neuron segmentation and achieved state-of-the-art performance on the SNEMI3D challenge.
• Abstract（参考訳）: 時空間整合性のある画像中の各物体の2次元マスクを逐次生成するニューロンの3次元再構成のための再帰的ネットワークを提案する。 ネットワークは2つの部分で一貫性をモデル化する: (i) 局所性により、非排他的および時間的に隣接したオブジェクト関係と双方向の繰り返しを探索することができる。 (ii) 非ローカルで、スキップ接続で時間領域内の長距離オブジェクト関係を探索することができる。 提案するネットワークは、入力画像からオブジェクトマスクのシーケンスまで、エンドツーエンドでトレーニング可能であり、オブジェクト境界に依存する手法と比較して、その出力は後処理を必要としない。 本手法は, SNEMI3Dチャレンジにおいて, ニューロンセグメンテーションの3つのベンチマークを用いて評価し, 最新の性能を達成した。

関連論文リスト

• Dance of SNN and ANN: Solving binding problem by combining spike timing and reconstructive attention [13.518085470219779]
  結合問題は、人工知能ニューラルネットワーク(ANN)が世界の構成的理解を阻害する基本的な課題の1つである。 本稿では,脳神経科学に由来する時間的結合理論をANNに導入する,脳にインスパイアされたハイブリッドニューラルネットワーク(HNN)を提案する。
  論文  参考訳（メタデータ） (2022-11-11T06:47:54Z)
• 3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D Point Clouds [95.54285993019843]
  本稿では,3次元点雲における複数物体の同時検出と追跡手法を提案する。 本モデルでは,複数のフレームを用いた時間情報を利用してオブジェクトを検出し,一つのネットワーク上で追跡する。
  論文  参考訳（メタデータ） (2022-11-01T20:59:38Z)
• DyCSC: Modeling the Evolutionary Process of Dynamic Networks Based on Cluster Structure [1.005130974691351]
  動的クラスタ構造制約モデル(DyCSC)と呼ばれる新しい時間ネットワーク埋め込み手法を提案する。 DyCSCは、ネットワーク内のノードの傾向に時間的制約を課すことで、時間的ネットワークの進化を捉えている。 複数の時間リンク予測タスクにおいて、競合する手法をかなりのマージンで一貫して上回る。
  論文  参考訳（メタデータ） (2022-10-23T10:23:08Z)
• Ret3D: Rethinking Object Relations for Efficient 3D Object Detection in Driving Scenes [82.4186966781934]
  Ret3Dと呼ばれるシンプルで効率的で効果的な2段階検出器を導入する。 Ret3Dの中核は、新しいフレーム内およびフレーム間関係モジュールの利用である。 無視できる余分なオーバーヘッドにより、Ret3Dは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-08-18T03:48:58Z)
• 3D Dense Face Alignment with Fused Features by Aggregating CNNs and GCNs [28.7443367565456]
  これは、標準畳み込みニューラルネットワーク(CNN)とグラフ畳み込みネットワーク(GCN)をシームレスに結合することで達成される。 CNNとGCNの異なる層やステージにまたがる特徴を反復的に融合させることで,我々のアプローチは高密度な顔アライメントと3次元顔再構成を同時に実現することができる。 いくつかの挑戦的なデータセットの実験により、我々の手法は2次元および3次元の顔アライメントタスクにおける最先端のアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-09T11:07:10Z)
• Lifelong 3D Object Recognition and Grasp Synthesis Using Dual Memory Recurrent Self-Organization Networks [0.0]
  人間は、これまで得られた知識を忘れずに、生涯にわたって新しい物体を認識し、操作することを学ぶ。 ほとんどの従来のディープニューラルネットワークでは、破滅的な忘れの問題のため、これは不可能である。 本稿では,物体認識と把握を同時に行うために,デュアルメモリリカレントニューラルネットワークとオートエンコーダを組み合わせたハイブリッドモデルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-09-23T11:14:13Z)
• Scene Synthesis via Uncertainty-Driven Attribute Synchronization [52.31834816911887]
  本稿では,3次元シーンの多様な特徴パターンを捉えるニューラルシーン合成手法を提案する。 提案手法は,ニューラルネットワークと従来のシーン合成手法の双方の長所を結合する。
  論文  参考訳（メタデータ） (2021-08-30T19:45:07Z)
• NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One Go [109.88509362837475]
  入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。 NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。 異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
  論文  参考訳（メタデータ） (2021-06-17T12:25:44Z)
• PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
  LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。 現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。 本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
  論文  参考訳（メタデータ） (2020-12-18T18:06:43Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。