Fugu-MT 論文翻訳(概要): Exploring The Limits Of Data Augmentation For Retinal Vessel Segmentation

論文の概要: Exploring The Limits Of Data Augmentation For Retinal Vessel Segmentation

arxiv url: http://arxiv.org/abs/2105.09365v1
Date: Wed, 19 May 2021 19:15:31 GMT
ステータス: 処理完了
システム内更新日: 2021-05-22 01:20:18.851143
Title: Exploring The Limits Of Data Augmentation For Retinal Vessel Segmentation
Title（参考訳）: 網膜血管セグメンテーションのためのデータ拡張の限界を探る
Authors: Enes Sadi Uysal, M.\c{S}afak Bilici, B. Selin Zaza, M. Yi\u{g}it \"Ozgen\c{c}, Onur Boyar
Abstract要約: 網膜血管セグメンテーションの研究は、主にU-Netアーキテクチャに基づくセグメンテーションモデルの改善に焦点を当てている。本稿では、U-Netアーキテクチャを使用し、パフォーマンス向上のために重データ拡張に依存しています。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Retinal Vessel Segmentation is important for diagnosis of various diseases. The research on retinal vessel segmentation focuses mainly on improvement of the segmentation model which is usually based on U-Net architecture. In our study we use the U-Net architecture and we rely on heavy data augmentation in order to achieve better performance. The success of the data augmentation relies on successfully addressing the problem of input images. By analyzing input images and performing the augmentation accordingly we show that the performance of the U-Net model can be increased dramatically. Results are reported using the most widely used retina dataset, DRIVE.
Abstract（参考訳）: 網膜血管剥離は各種疾患の診断に重要である。網膜血管セグメンテーションの研究は、通常u-netアーキテクチャに基づくセグメンテーションモデルの改善に焦点を当てている。本稿では、U-Netアーキテクチャを使用し、パフォーマンス向上のために重データ拡張に依存しています。データ拡張の成功は、入力画像の問題にうまく対処することに依存する。入力画像を分析して拡張を行うことにより,U-Netモデルの性能を劇的に向上させることができることを示す。結果は最も広く使われている網膜データセットDRIVEを用いて報告される。

関連論文リスト

Habaek: High-performance water segmentation through dataset expansion and inductive bias optimization [4.198865250277024]
本研究では,ADE20K や RIWA などのデータセットを用いたデータ拡張によるセグメンテーションのためのセグフォーマーモデルの改良を提案する。提案するHabaekモデルは, 0.9 1986 から 0.94397 までの IoU (Intersection over Union) で, 現在のモデルよりも高い性能を示すことを示す。
論文参考訳（メタデータ） (2024-10-21T09:06:13Z)
Benchmarking Retinal Blood Vessel Segmentation Models for Cross-Dataset and Cross-Disease Generalization [5.237321836999284]
公開されているFIVESファウンダスイメージデータセット上で,5つの公開モデルをトレーニングし,評価する。画像の品質がセグメンテーションの結果を決定する重要な要因であることがわかった。
論文参考訳（メタデータ） (2024-06-21T09:12:34Z)
DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
論文参考訳（メタデータ） (2024-03-20T04:58:03Z)
Data-Centric Long-Tailed Image Recognition [49.90107582624604]
ロングテールモデルは高品質なデータに対する強い需要を示している。データ中心のアプローチは、モデルパフォーマンスを改善するために、データの量と品質の両方を強化することを目的としています。現在、情報強化の有効性を説明するメカニズムに関する研究が不足している。
論文参考訳（メタデータ） (2023-11-03T06:34:37Z)
Exploring the Effects of Data Augmentation for Drivable Area Segmentation [0.0]
既存の画像データセットを解析することで、データ拡張の利点を調べることに重点を置いている。以上の結果から,既存技術(SOTA)モデルの性能とロバスト性は劇的に向上する可能性が示唆された。
論文参考訳（メタデータ） (2022-08-06T03:39:37Z)
AADG: Automatic Augmentation for Domain Generalization on Retinal Image Segmentation [1.0452185327816181]
AADG(Automated Augmentation for Domain Generalization)と呼ばれるデータ操作に基づくドメイン一般化手法を提案する。我々のAADGフレームワークは、新しいドメインを生成するデータ拡張ポリシーを効果的にサンプリングすることができる。提案するAADGは,最先端の一般化性能を示し,既存手法より優れている。
論文参考訳（メタデータ） (2022-07-27T02:26:01Z)
Data augmentation for learning predictive models on EEG: a systematic comparison [79.84079335042456]
脳波(EEG)分類タスクの深層学習は、ここ数年急速に増加している。 EEG分類タスクのディープラーニングは、比較的小さなEEGデータセットによって制限されている。データ拡張は、コンピュータビジョンや音声などのアプリケーションにまたがる最先端のパフォーマンスを得るために重要な要素となっている。
論文参考訳（メタデータ） (2022-06-29T09:18:15Z)
Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文参考訳（メタデータ） (2021-03-22T20:36:34Z)
Multimodal Transfer Learning-based Approaches for Retinal Vascular Segmentation [2.672151045393935]
網膜微小循環の研究は、高血圧や糖尿病などの多くの眼疾患および全身疾患の分析において重要な問題です。 FCNはイメージセグメンテーションにおける最も成功したアプローチである。本研究では,網膜血管セグメンテーションに対するマルチモーダルトランスファー学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2020-12-18T10:38:35Z)
Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
論文参考訳（メタデータ） (2020-10-19T21:51:47Z)
KiU-Net: Towards Accurate Segmentation of Biomedical Images using Over-complete Representations [59.65174244047216]
本稿では,高次元にデータを投影するオーバーコンプリートアーキテクチャ(Ki-Net)を提案する。このネットワークは、U-Netで拡張されると、小さな解剖学的ランドマークを分割する場合に大幅に改善される。早期新生児の2次元超音波による脳解剖学的セグメント化の課題について検討した。
論文参考訳（メタデータ） (2020-06-08T18:59:24Z)

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。