Fugu-MT 論文翻訳(概要): DiNTS: Differentiable Neural Network Topology Search for 3D Medical Image Segmentation

論文の概要: DiNTS: Differentiable Neural Network Topology Search for 3D Medical Image Segmentation

arxiv url: http://arxiv.org/abs/2103.15954v1
Date: Mon, 29 Mar 2021 21:02:42 GMT
ステータス: 処理完了
システム内更新日: 2021-03-31 15:02:22.338699
Title: DiNTS: Differentiable Neural Network Topology Search for 3D Medical Image Segmentation
Title（参考訳）: DiNTS: 3次元医用画像セグメンテーションのための微分ニューラルネットワークトポロジー検索
Authors: Yufan He, Dong Yang, Holger Roth, Can Zhao, Daguang Xu
Abstract要約: ディグライザブルネットワークトポロジ検索スキーム(DiNTS)は,MSD(Medicical Decathlon)の課題に対して評価される。本手法は,MSDチャレンジリーダーボードの最先端性能と上位ランキングを達成する。
参考スコア（独自算出の注目度）: 7.003867673687463
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recently, neural architecture search (NAS) has been applied to automatically search high-performance networks for medical image segmentation. The NAS search space usually contains a network topology level (controlling connections among cells with different spatial scales) and a cell level (operations within each cell). Existing methods either require long searching time for large-scale 3D image datasets, or are limited to pre-defined topologies (such as U-shaped or single-path). In this work, we focus on three important aspects of NAS in 3D medical image segmentation: flexible multi-path network topology, high search efficiency, and budgeted GPU memory usage. A novel differentiable search framework is proposed to support fast gradient-based search within a highly flexible network topology search space. The discretization of the searched optimal continuous model in differentiable scheme may produce a sub-optimal final discrete model (discretization gap). Therefore, we propose a topology loss to alleviate this problem. In addition, the GPU memory usage for the searched 3D model is limited with budget constraints during search. Our Differentiable Network Topology Search scheme (DiNTS) is evaluated on the Medical Segmentation Decathlon (MSD) challenge, which contains ten challenging segmentation tasks. Our method achieves the state-of-the-art performance and the top ranking on the MSD challenge leaderboard.
Abstract（参考訳）: 近年,医療画像セグメンテーションのための高性能ネットワークの自動検索にニューラルネットワーク検索(nas)が適用されている。 NASサーチスペースは通常、ネットワークトポロジーレベル(空間スケールの異なるセル間の接続を制御する)とセルレベル(各セル内での操作)を含む。既存の方法は、大規模な3D画像データセットの長い検索時間を必要とするか、事前に定義されたトポロジー(U字型やシングルパスなど)に限定されている。本研究では,3次元医用画像セグメンテーションにおけるNASの3つの重要な側面,フレキシブルなマルチパスネットワークトポロジ,高い探索効率,予算化されたGPUメモリ使用率に着目した。高度に柔軟なネットワークトポロジ探索空間内での高速勾配に基づく探索を支援するために,新しい微分可能な探索フレームワークを提案する。微分可能なスキームにおける探索された最適連続モデルの離散化は、準最適最終離散モデル(離散化ギャップ)を生成する。そこで本稿では,この問題を軽減するためにトポロジ損失を提案する。さらに、検索された3DモデルのGPUメモリ使用量は、検索中の予算制約に制限されている。我々のネットワークトポロジ探索スキーム(DiNTS)は,10の課題を含むMSD(Medicial Segmentation Decathlon)課題に基づいて評価される。本手法は,MSDチャレンジリーダーボードの最先端性能と上位ランキングを達成する。

関連論文リスト

HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel Neural Architecture Search [104.45426861115972]
設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。 6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
論文参考訳（メタデータ） (2023-04-23T17:27:40Z)
Improved distinct bone segmentation in upper-body CT through multi-resolution networks [0.39583175274885335]
上半身CTと異なる骨分画では、大きな視野と計算的な3Dアーキテクチャが必要とされる。これにより、空間的コンテキストの欠如により、細部や局所的な誤差を欠いた低解像度な結果が得られる。本稿では,異なる解像度で動作する複数の3次元U-Netを組み合わせたエンドツーエンドのトレーニング可能なセグメンテーションネットワークを提案する。
論文参考訳（メタデータ） (2023-01-31T14:46:16Z)
Searching a High-Performance Feature Extractor for Text Recognition Network [92.12492627169108]
優れた特徴抽出器を持つための原理を探求し,ドメイン固有の検索空間を設計する。空間は巨大で複雑な構造であるため、既存のNASアルゴリズムを適用することはできない。本研究では,空間内を効率的に探索する2段階のアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-09-27T03:49:04Z)
Mixed-Block Neural Architecture Search for Medical Image Segmentation [0.0]
医用画像セグメンテーションネットワークのための新しいNAS検索空間を提案する。 U-Netでよく知られる一般化エンコーダデコーダ構造の強みと、画像分類タスクにおいて強力な性能を示すネットワークブロックを組み合わせる。提案手法により発見されたネットワークは,手作りセグメンテーションネットワークよりも優れた性能を示した。
論文参考訳（メタデータ） (2022-02-23T10:32:35Z)
HyperSegNAS: Bridging One-Shot Neural Architecture Search with 3D Medical Image Segmentation using HyperNet [51.60655410423093]
医用画像セグメンテーションのためのワンショットニューラルアーキテクチャサーチ(NAS)を実現するためにHyperSegNASを導入する。従来のSOTA(State-of-the-art)セグメンテーションネットワークと比較して,HyperSegNASの方がパフォーマンスが高く,直感的なアーキテクチャが得られることを示す。本手法は,MSD (Messical Decathlon) 課題の公開データセットを用いて評価し,SOTAの性能評価を行う。
論文参考訳（メタデータ） (2021-12-20T16:21:09Z)
Trilevel Neural Architecture Search for Efficient Single Image Super-Resolution [127.92235484598811]
本稿では,高効率単一画像超解像(SR)のための3レベルニューラルネットワーク探索法を提案する。離散探索空間をモデル化するために、離散探索空間に新たな連続緩和を適用し、ネットワークパス、セル操作、カーネル幅の階層的混合を構築する。階層型スーパーネット方式による最適化を行うため,効率的な探索アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-01-17T12:19:49Z)
Continuous Ant-Based Neural Topology Search [62.200941836913586]
この研究は、アリコロニー最適化に基づく、自然に着想を得たニューラルアーキテクチャサーチ(NAS)アルゴリズムを導入している。連続アントベースのニューラルトポロジーサーチ(CANTS)は、アリが現実世界でどのように動くかに強く影響を受けている。
論文参考訳（メタデータ） (2020-11-21T17:49:44Z)
ISTA-NAS: Efficient and Consistent Neural Architecture Search by Sparse Coding [86.40042104698792]
スパース符号問題としてニューラルアーキテクチャ探索を定式化する。実験では、CIFAR-10の2段階法では、検索にわずか0.05GPUしか必要としない。本手法は,CIFAR-10とImageNetの両方において,評価時間のみのコストで最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2020-10-13T04:34:24Z)
UXNet: Searching Multi-level Feature Aggregation for 3D Medical Image Segmentation [34.8581851257193]
本稿では、3次元医用画像分割のための新しいNAS手法であるUXNetを提案する。 UXNetは、エンコーダ-デコーダネットワークのスケールワイズ機能集約戦略とブロックワイズ演算子の両方を検索する。 UXNetが発見したアーキテクチャは、いくつかの公開3D医療画像セグメンテーションベンチマークにおいて、Diceの点で既存の最先端モデルを上回っている。
論文参考訳（メタデータ） (2020-09-16T06:50:57Z)
VINNAS: Variational Inference-based Neural Network Architecture Search [2.685668802278155]
スパース畳み込みニューラルネットワークを探索するための可変変分推論に基づくNAS法を提案する。提案手法は,非ゼロパラメータの約2倍の精度で最先端の精度を示しながら,多様なネットワークセルを探索する。
論文参考訳（メタデータ） (2020-07-12T21:47:35Z)

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。