論文の概要: An MRF-UNet Product of Experts for Image Segmentation

• arxiv url: http://arxiv.org/abs/2104.05495v1
• Date: Mon, 12 Apr 2021 14:25:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-13 22:30:41.595603
• Title: An MRF-UNet Product of Experts for Image Segmentation
• Title（参考訳）: MRF-UNetによる画像セグメンテーションの専門家製品
• Authors: Mikael Brudfors, Ya\"el Balbastre, John Ashburner, Geraint Rees, Parashkev Nachev, S\'ebastien Ourselin, M. Jorge Cardoso
• Abstract要約: Markovのランダムフィールド(MRF)は、オーバーフィットしやすいラベルよりもシンプルにエンコードします。 UNet と MRF の分布積を計算することにより、両方の戦略を融合させることを提案する。 MRF-UNetはバックプロパゲーションによって共同で訓練される。
• 参考スコア（独自算出の注目度）: 1.7897459398362972
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While convolutional neural networks (CNNs) trained by back-propagation have seen unprecedented success at semantic segmentation tasks, they are known to struggle on out-of-distribution data. Markov random fields (MRFs) on the other hand, encode simpler distributions over labels that, although less flexible than UNets, are less prone to over-fitting. In this paper, we propose to fuse both strategies by computing the product of distributions of a UNet and an MRF. As this product is intractable, we solve for an approximate distribution using an iterative mean-field approach. The resulting MRF-UNet is trained jointly by back-propagation. Compared to other works using conditional random fields (CRFs), the MRF has no dependency on the imaging data, which should allow for less over-fitting. We show on 3D neuroimaging data that this novel network improves generalisation to out-of-distribution samples. Furthermore, it allows the overall number of parameters to be reduced while preserving high accuracy. These results suggest that a classic MRF smoothness prior can allow for less over-fitting when principally integrated into a CNN model. Our implementation is available at https://github.com/balbasty/nitorch.
• Abstract（参考訳）: バックプロパゲーションによって訓練された畳み込みニューラルネットワーク(cnns)は、セマンティクスセグメンテーションタスクで前例のない成功を収めているが、分散データに苦しむことが知られている。 一方、マルコフランダムフィールド(MRF)は、UNetsよりも柔軟性が低いが、過度に適合する傾向があるラベルよりも単純な分布を符号化する。 本稿では, unet と mrf の分布の積を計算し, 両者の戦略を融合させることを提案する。 この積は難解であるため、反復平均場アプローチを用いて近似分布を解く。 MRF-UNetはバックプロパゲーションによって共同で訓練される。 条件付きランダムフィールド(CRF)を用いた他の研究と比較すると、MRFは画像データに依存しないため、過度な適合を抑えることができる。 3dニューロイメージングデータを用いて,このネットワークが分布外サンプルへの一般化を改善することを示した。 さらに、精度を維持しつつパラメータ全体の数を減らすことができる。 これらの結果から,従来のMRFのスムーズさはCNNモデルに統合された場合の過度な適合を抑えることが示唆された。 私たちの実装はhttps://github.com/balbasty/nitorchで利用可能です。

関連論文リスト

• Bypassing the Noisy Parity Barrier: Learning Higher-Order Markov Random Fields from Dynamics [21.976109703401114]
  我々は、時間的相関サンプルからマルコフランダムフィールド(MRF)として知られるグラフィカルモデルを学ぶことの問題を考察する。 特に,Glauberのダイナミックスから,$widetildeO_k(n)$サイトの更新を$k$ MRFで行うと,$widetildeO_k(n2)$時間でグラフとパラメータを復元するアルゴリズムが存在することを示す。 私たちの結果は、MDFのより現実的で直感的に少ないモデルが、実際には効率をはるかに上回っていることを、驚くほど示しています。
  論文  参考訳（メタデータ） (2024-09-09T02:32:45Z)
• Boundary-aware Decoupled Flow Networks for Realistic Extreme Rescaling [49.215957313126324]
  Invertible rescaling Network (IRN) やgenerative adversarial Network (GAN) などを含む最近の生成手法は、画像再スケーリングにおいて例外的な性能を示した。 しかし、IRNベースの手法は過度に滑らかな結果を生成する傾向にあり、一方、GANベースの手法は偽の細部を容易に生成する。 本稿では,現実的かつ視覚的に満足な結果を生成するために,境界対応デカップリングフローネットワーク(BDFlow)を提案する。
  論文  参考訳（メタデータ） (2024-05-05T14:05:33Z)
• Neural Markov Random Field for Stereo Matching [31.769019851152173]
  データ駆動型ニューラルネットワークを用いてポテンシャル関数とメッセージパッシングの両方を設計するニューラルネットワークモデルを提案する。 また,差分提案ネットワーク(DPN)を提案し,不一致の探索空間を適応的に創出する。 提案されたアプローチは、KITTI 2012と2015のリーダーボードの両方で1位であり、100msより高速である。
  論文  参考訳（メタデータ） (2024-03-17T12:40:46Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• GFlowOut: Dropout with Generative Flow Networks [76.59535235717631]
  モンテカルロ・ドロップアウトは近似推論の比較的安価な方法として広く利用されている。 最近の研究は、ドロップアウトマスクを潜伏変数と見なすことができ、変動推論で推測できることを示している。 GFlowOutleveragesは、最近提案されたジェネレーティブフローネットワーク(GFlowNets)の確率的フレームワークを使用して、ドロップアウトマスク上の後部分布を学習する。
  論文  参考訳（メタデータ） (2022-10-24T03:00:01Z)
• Learning from aggregated data with a maximum entropy model [73.63512438583375]
  我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。 我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
  論文  参考訳（メタデータ） (2022-10-05T09:17:27Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• Exponentially Tilted Gaussian Prior for Variational Autoencoder [3.52359746858894]
  近年の研究では, この課題に対して確率的生成モデルが不十分であることが示されている。 変分オートエンコーダ(VAE)の指数傾斜ガウス事前分布を提案する。 本モデルでは,標準ガウスVAEよりクオリティの高い画像サンプルが得られた。
  論文  参考訳（メタデータ） (2021-11-30T18:28:19Z)
• Semi-Supervised Node Classification on Graphs: Markov Random Fields vs. Graph Neural Networks [38.760186021633146]
  グラフ構造データの半監視ノード分類には、不正検出、偽アカウントおよびレビュー検出、ソーシャルネットワークにおけるユーザーのプライベート属性推論、コミュニティ検出などの多くのアプリケーションがあります。 半監視ノード分類のためにペアワイズマルコフランダムフィールド(pMRF)やグラフニューラルネットワークなどの様々な手法が開発された。 pMRFはグラフニューラルネットワークよりも効率的です。 既存のpMRFベースの手法は、すべてのエッジに対して一定のエッジ電位を仮定するキー制限のため、グラフニューラルネットワークよりも正確ではない。
  論文  参考訳（メタデータ） (2020-12-24T03:46:08Z)
• GANs with Conditional Independence Graphs: On Subadditivity of Probability Divergences [70.30467057209405]
  GAN(Generative Adversarial Networks)は、データセットの基盤となる分布を学習するための現代的な手法である。 GANは、基礎となるディストリビューションに関する追加情報がないモデルフリーで設計されている。 本稿では,ベイズネット/MRFの近傍に単純な識別器群を用いたモデルベースGANの設計を提案する。
  論文  参考訳（メタデータ） (2020-03-02T04:31:22Z)
• Deep Gaussian Markov Random Fields [17.31058900857327]
  GMRFと畳み込みニューラルネットワーク(CNN)の正式な接続を確立する。 共通GMRFは、データから潜伏変数への逆写像が1層線形CNNによって与えられる生成モデルの特別な場合である。 本稿では,オートディフや変分推論などの確立したツールが,深部GMRFの簡易かつ効率的な推論と学習にどのように利用できるかを述べる。
  論文  参考訳（メタデータ） (2020-02-18T10:06:39Z)

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。