論文の概要: Rotaflip: A New CNN Layer for Regularization and Rotational Invariance
in Medical Images
- arxiv url: http://arxiv.org/abs/2108.02704v1
- Date: Thu, 5 Aug 2021 16:13:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-06 14:50:02.316645
- Title: Rotaflip: A New CNN Layer for Regularization and Rotational Invariance
in Medical Images
- Title（参考訳）: Rotaflip: 医療画像の規則化と回転不変性のための新しいCNNレイヤー
- Authors: Juan P. Vigueras-Guill\'en, Joan Lasenby, and Frank Seeliger
- Abstract要約: 本稿では,各畳み込み層の後,少数の特徴写像に対して反射のランダムな回転を適用して正規化を行うCNN層を提案する。
医用画像などの配向対称性を持つ画像に対して,この概念が有用であることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Regularization in convolutional neural networks (CNNs) is usually addressed
with dropout layers. However, dropout is sometimes detrimental in the
convolutional part of a CNN as it simply sets to zero a percentage of pixels in
the feature maps, adding unrepresentative examples during training. Here, we
propose a CNN layer that performs regularization by applying random rotations
of reflections to a small percentage of feature maps after every convolutional
layer. We prove how this concept is beneficial for images with orientational
symmetries, such as in medical images, as it provides a certain degree of
rotational invariance. We tested this method in two datasets, a patch-based set
of histopathology images (PatchCamelyon) to perform classification using a
generic DenseNet, and a set of specular microscopy images of the corneal
endothelium to perform segmentation using a tailored U-net, improving the
performance in both cases.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)の規則化は通常、ドロップアウト層で対処される。
しかし、ドロップアウトはcnnの畳み込み部分において、単にフィーチャーマップのピクセルの比率をゼロに設定し、トレーニング中に表現できない例を追加するため、しばしば有害である。
本稿では,各畳み込み層の後,少数の特徴写像に対して反射のランダムな回転を適用して正規化を行うCNN層を提案する。
この概念は, 医療画像などの方位対称性を持つ画像に対して, ある程度の回転不変性を与えるため, 有効であることを示す。
本手法を2つのデータセットで検証し, 総称的密集網を用いて分類を行うパッチベースの組織病理画像(patchcamelyon)と, 角膜内皮の鏡像のセットを用いて, 調整したu-netを用いてセグメンテーションを行い, 両症例における性能を改善した。
関連論文リスト
- RIC-CNN: Rotation-Invariant Coordinate Convolutional Neural Network [56.42518353373004]
回転不変座標変換(RIC-C)と呼ばれる新しい畳み込み演算を提案する。
CNNの標準畳み込み層を対応するRCC-Cに置き換えることで、RCC-CNNを導出することができる。
RIC-CNNはMNISTの回転試験データセット上で最先端の分類を実現することが観察できる。
論文 参考訳（メタデータ） (2022-11-21T19:27:02Z) - A Rotation Meanout Network with Invariance for Dermoscopy Image
Classification and Retrieval [6.729017215180208]
皮膚内視鏡画像から回転不変性を抽出する回転平均化(RM)ネットワークを提案する。
提案したRMは、ネットワーク構造を変更したりパラメータを増やしたりせず、CNNの任意の部分に柔軟に組み込むことができる汎用演算である。
その結果,本手法は他の抗ローテーション法よりも優れており,皮膚内視鏡画像の分類と検索作業の大幅な改善が達成されている。
論文 参考訳（メタデータ） (2022-08-01T06:15:52Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Weakly-supervised fire segmentation by visualizing intermediate CNN
layers [82.75113406937194]
画像やビデオにおける火の局所化は、火災事故に対処するための自律システムにとって重要なステップである。
我々は,ネットワークのトレーニングに画像ラベルのみを使用する,画像中の火の弱い制御セグメント化について検討する。
CNNの中間層における特徴量の平均値は,2値セグメンテーション問題である火災セグメンテーションの場合,従来のクラスアクティベーションマッピング(CAM)法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-11-16T11:56:28Z) - Convolutional Neural Networks from Image Markers [62.997667081978825]
特徴 画像マーカーからの学習(FLIM)は、ごく少数の画像でユーザーが描画したストロークから、バックプロパゲーションのない畳み込みフィルタを推定するために最近提案されました。
本稿では、フルコネクテッド層に対してFLIMを拡張し、異なる画像分類問題について実証する。
その結果、FLIMベースの畳み込みニューラルネットワークは、バックプロパゲーションによってゼロから訓練された同じアーキテクチャを上回ります。
論文 参考訳（メタデータ） (2020-12-15T22:58:23Z) - What Does CNN Shift Invariance Look Like? A Visualization Study [87.79405274610681]
畳み込みニューラルネットワーク(CNN)による特徴抽出は、機械学習タスクの画像を表現する一般的な方法である。
我々は,一般的な市販CNNモデルから抽出した特徴量の変動を計測し,可視化することに注力する。
人気ネットワークから抽出された特徴はグローバルに不変ではなく,この分散の中にバイアスやアーティファクトが存在すると結論付けている。
論文 参考訳（メタデータ） (2020-11-09T01:16:30Z) - Processing of incomplete images by (graph) convolutional neural networks [7.778461949427663]
欠落した値を置き換えることなく、不完全な画像からニューラルネットワークを訓練する問題について検討する。
画像はまずグラフとして表現され、欠落したピクセルは完全に無視される。
グラフ画像表現は空間グラフ畳み込みネットワークを用いて処理される。
論文 参考訳（メタデータ） (2020-10-26T21:40:03Z) - Region Growing with Convolutional Neural Networks for Biomedical Image
Segmentation [1.5469452301122177]
本稿では,各座標方向の予測マスク領域を反復的に成長させることにより,畳み込みニューラルネットワーク(CNN)を用いてセグメンテーションを行う手法を提案する。
我々は、CNNの確率スコアのしきい値を用いて、その領域にピクセルが追加され、その領域に新しいピクセルが加わらないまで繰り返し続けるかどうかを判定する。
本手法は,少量のトレーニングデータを活用するとともに,計算効率を保ちながら,高いセグメンテーション精度を達成し,生物学的に現実的な形態的特徴を維持できる。
論文 参考訳（メタデータ） (2020-09-23T17:53:00Z) - Test-Time Adaptable Neural Networks for Robust Medical Image
Segmentation [9.372152932156293]
畳み込みニューラルネットワーク(CNN)は、教師付き学習問題に対して非常にうまく機能する。
医用画像のセグメンテーションにおいて、この前提は、取得の詳細の観点から、トレーニング画像とテスト画像のミスマッチがある場合に違反する。
比較的浅い画像正規化CNNと、正規化画像を分割する深いCNNの2つのサブネットワークの結合としてセグメンテーションCNNを設計する。
論文 参考訳（メタデータ） (2020-04-09T16:57:27Z) - Dense Steerable Filter CNNs for Exploiting Rotational Symmetry in
Histology Images [3.053417311299492]
組織像は本質的に回転下で対称であり、それぞれの方向が等しく現れる。
Dense Steerable Filter CNN (DSF-CNNs) は、密結合されたフレームワークにおいて、各フィルタの複数の回転コピーを持つグループ畳み込みを使用する。
そこで本研究では,DSF-CNNが3つの異なる課題に適用した場合に,パラメータを著しく少なく,最先端の性能を実現することを示す。
論文 参考訳（メタデータ） (2020-04-06T23:12:31Z) - Embedding Propagation: Smoother Manifold for Few-Shot Classification [131.81692677836202]
本稿では, 組込み伝搬を非教師なし非パラメトリック正規化器として, 数ショット分類における多様体平滑化に用いることを提案する。
埋め込み伝播がより滑らかな埋め込み多様体を生み出すことを実証的に示す。
複数の半教師付き学習シナリオにおいて,埋め込み伝搬によりモデルの精度が最大16%向上することを示す。
論文 参考訳（メタデータ） (2020-03-09T13:51:09Z)
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。