論文の概要: Contour Proposal Networks for Biomedical Instance Segmentation

• arxiv url: http://arxiv.org/abs/2104.03393v1
• Date: Wed, 7 Apr 2021 21:00:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-09 13:09:34.640078
• Title: Contour Proposal Networks for Biomedical Instance Segmentation
• Title（参考訳）: バイオメディカルインスタンスセグメンテーションのための輪郭提案ネットワーク
• Authors: Eric Upschulte, Stefan Harmeling, Katrin Amunts and Timo Dickscheid
• Abstract要約: Contour Proposal Network (CPN) という,概念的に単純なオブジェクトインスタンスセグメンテーションフレームワークを提案する。 CPNは、Fourier Descriptorsに基づく解釈可能な固定サイズの表現を使用して、閉じたオブジェクトの輪郭を同時に取り付けながら、画像内のおそらく重複するオブジェクトを検出する。 U-Net や Mask R-CNN のセグメンテーション精度を上回った CPN と,リアルタイムアプリケーションに適した実行時間を持つ変種を示す。
• 参考スコア（独自算出の注目度）: 0.8602553195689513
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present a conceptually simple framework for object instance segmentation called Contour Proposal Network (CPN), which detects possibly overlapping objects in an image while simultaneously fitting closed object contours using an interpretable, fixed-sized representation based on Fourier Descriptors. The CPN can incorporate state of the art object detection architectures as backbone networks into a single-stage instance segmentation model that can be trained end-to-end. We construct CPN models with different backbone networks, and apply them to instance segmentation of cells in datasets from different modalities. In our experiments, we show CPNs that outperform U-Nets and Mask R-CNNs in instance segmentation accuracy, and present variants with execution times suitable for real-time applications. The trained models generalize well across different domains of cell types. Since the main assumption of the framework are closed object contours, it is applicable to a wide range of detection problems also outside the biomedical domain. An implementation of the model architecture in PyTorch is freely available.
• Abstract（参考訳）: 本稿では,Fourier Descriptorsをベースとした解釈可能な固定サイズの表現を用いて,画像内のオブジェクトの重なり得るオブジェクトを検出するContour Proposal Network (CPN) という,オブジェクトインスタンスセグメンテーションのための概念的にシンプルなフレームワークを提案する。 CPNは、アートオブジェクト検出アーキテクチャの状態をバックボーンネットワークとして、エンドツーエンドでトレーニング可能な単一ステージのインスタンスセグメンテーションモデルに組み込むことができる。 我々は,異なるバックボーンネットワークを持つCPNモデルを構築し,異なるモダリティのデータセット内のセルのインスタンスセグメンテーションに適用する。 実験では,U-NetとMask R-CNNをインスタンス分割精度で上回り,リアルタイムアプリケーションに適した実行時間を持つ変種を提示する。 訓練されたモデルは、異なるドメインの細胞タイプをうまく一般化する。 フレームワークの主な仮定はクローズドオブジェクトの輪郭であるため、バイオメディカルドメインの外側でも幅広い検出問題に適用できる。 PyTorchのモデルアーキテクチャの実装は無料で利用可能である。

関連論文リスト

• Probabilistic U-Net with Kendall Shape Spaces for Geometry-Aware Segmentations of Images [0.3499042782396683]
  セグメント化の幾何学を組み込んだ確率的画像分割モデルを提案する。 我々のモデルはまた、Kendall形状変化自動エンコーダ(citevadgama2023kendall)を採用して、Kendall形状空間をエンコードする。
  論文  参考訳（メタデータ） (2024-10-17T20:32:43Z)
• Detecting and Approximating Redundant Computational Blocks in Neural Networks [25.436785396394804]
  ネットワーク内の類似性は、より効率的なニューラルネットワークを設計する新たな機会を提供する。 本稿では,冗長ブロックを検出するための単純な測度であるBlock Redundancyを導入し,冗長ブロックを近似するためにRBA(Redundant Blocks Approximation)を提案する。 RBAは、優れたパフォーマンスを維持しながら、モデルパラメータと時間の複雑さを減らす。
  論文  参考訳（メタデータ） (2024-10-07T11:35:24Z)
• Placing Objects in Context via Inpainting for Out-of-distribution Segmentation [59.00092709848619]
  コンテキスト内のオブジェクトの配置(POC)は、イメージにオブジェクトを現実的に追加するためのパイプラインである。 POCは任意の数のオブジェクトで任意のデータセットを拡張するために使用することができる。 本稿では,POC 生成データに基づく様々な異常セグメンテーションデータセットを提示し,最近の最先端の異常チューニング手法の性能向上を実証する。
  論文  参考訳（メタデータ） (2024-02-26T08:32:41Z)
• FoundationPose: Unified 6D Pose Estimation and Tracking of Novel Objects [55.77542145604758]
  FoundationPoseは、6Dオブジェクトのポーズ推定と追跡のための統合基盤モデルである。 我々のアプローチは、微調整なしで、テスト時に新しいオブジェクトに即座に適用できる。
  論文  参考訳（メタデータ） (2023-12-13T18:28:09Z)
• Self-supervised Pre-training for Semantic Segmentation in an Indoor Scene [8.357801312689622]
  本稿ではセグメンテーションモデルの自己教師型事前学習手法であるRegConsistを提案する。 我々は,対象環境におけるRGBビューからのセマンティックセグメンテーションを予測するために,コントラスト学習の変種を用いてDCNNモデルを訓練する。 提案手法は、ImageNetで事前訓練されたモデルよりも優れており、全く同じタスクでトレーニングされたモデルと異なるデータセットでトレーニングされたモデルを使用する場合の競合性能を実現する。
  論文  参考訳（メタデータ） (2022-10-04T20:10:14Z)
• Occlusion-Aware Instance Segmentation via BiLayer Network Architectures [73.45922226843435]
  本稿では,2層畳み込みネットワーク(BCNet)を提案する。このネットワークでは,トップ層がオブジェクト(オブオーバ)を検出し,ボトム層が部分的にオブオーバドされたインスタンス(オブオーバド)を推測する。 一般的な畳み込みネットワーク設計,すなわちFCN(Fully Convolutional Network)とGCN(Graph Convolutional Network)を用いた2層構造の有効性について検討する。
  論文  参考訳（メタデータ） (2022-08-08T21:39:26Z)
• Sparse Instance Activation for Real-Time Instance Segmentation [72.23597664935684]
  本稿では,リアルタイムインスタンスセグメンテーションのための概念的・効率的・完全畳み込み型フレームワークを提案する。 SparseInstは非常に高速な推論速度を持ち、COCOベンチマークで40 FPSと37.9 APを達成した。
  論文  参考訳（メタデータ） (2022-03-24T03:15:39Z)
• Prototype Guided Network for Anomaly Segmentation [5.504546777149307]
  In-distriion training data のためのセマンティックプロトタイプを抽出するために, PGAN (Prototype Guided Anomaly segmentation Network) を提案する。 提案したPGANモデルはセマンティックセグメンテーションネットワークとプロトタイプ抽出ネットワークを含む。 StreetHazardsデータセットでは、提案されたPGANモデルは、異常セグメンテーションのためのmIoUを53.4%生成した。
  論文  参考訳（メタデータ） (2022-01-15T15:07:38Z)
• CREPO: An Open Repository to Benchmark Credal Network Algorithms [78.79752265884109]
  クレダルネットワークは、確率質量関数の集合であるクレダルに基づく不正確な確率的グラフィカルモデルである。 CREMAと呼ばれるJavaライブラリが最近リリースされ、クレダルネットワークをモデル化し、処理し、クエリする。 我々は,これらのモデル上での推論タスクの正確な結果とともに,合成クレダルネットワークのオープンリポジトリであるcrrepoを提案する。
  論文  参考訳（メタデータ） (2021-05-10T07:31:59Z)
• CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
  少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。 相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。 PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2020-03-24T04:55:43Z)

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。