Fugu-MT 論文翻訳(概要): Possibilistic Fuzzy Local Information C-Means with Automated Feature Selection for Seafloor Segmentation

論文の概要: Possibilistic Fuzzy Local Information C-Means with Automated Feature Selection for Seafloor Segmentation

arxiv url: http://arxiv.org/abs/2110.07433v1
Date: Thu, 14 Oct 2021 15:00:12 GMT
ステータス: 処理完了
システム内更新日: 2021-10-15 13:24:50.331864
Title: Possibilistic Fuzzy Local Information C-Means with Automated Feature Selection for Seafloor Segmentation
Title（参考訳）: 海底セグメンテーションのための自動特徴選択による確率的ファジィ局所情報C-平均
Authors: Joshua Peeples, Daniel Suen, Alina Zare, James Keller
Abstract要約: The Possibilistic Fuzzy Local Information C-Means (PFLICM) method is presented to segment side-look synthetic aperture sonar (SAS) images into different region of the sea-floor。
参考スコア（独自算出の注目度）: 3.2662392450935416
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The Possibilistic Fuzzy Local Information C-Means (PFLICM) method is presented as a technique to segment side-look synthetic aperture sonar (SAS) imagery into distinct regions of the sea-floor. In this work, we investigate and present the results of an automated feature selection approach for SAS image segmentation. The chosen features and resulting segmentation from the image will be assessed based on a select quantitative clustering validity criterion and the subset of the features that reach a desired threshold will be used for the segmentation process.
Abstract（参考訳）: ポシビリスティックなファジィ局所情報c-means (pflicm) 法を, 海底の異なる領域に横見合成開口ソナー (sas) 像を分割する手法として提示した。本研究では,SAS画像セグメンテーションのための自動特徴選択手法について検討し,提案する。画像から選択された特徴と結果のセグメンテーションは、選択された定量クラスタリング妥当性基準に基づいて評価され、所望の閾値に達する特徴のサブセットがセグメンテーションプロセスに使用される。

関連論文リスト

SAM-MIL: A Spatial Contextual Aware Multiple Instance Learning Approach for Whole Slide Image Classification [9.69491390062406]
本研究では,空間的文脈認識を重視し,空間的文脈を明示的に取り入れた新しいMILフレームワークSAM-MILを提案する。提案手法は,空間的文脈に基づくグループ特徴抽出とSAM-Guided Group Masking戦略を含む。 CAMELYON-16およびTCGA肺がんデータセットの実験結果から,提案したSAM-MILモデルは,WSIs分類において既存の主流手法よりも優れていることが示された。
論文参考訳（メタデータ） (2024-07-25T01:12:48Z)
Leveraging image captions for selective whole slide image annotation [0.37334049820361814]
本稿では,モデルトレーニングを最適化する特定の画像領域の同定とアノテーションについて述べる。プロトタイプサンプリングは、価値あるトレーニング情報を持つアノテーション領域を特定する際に、ランダムサンプリングや多様性サンプリングよりも効果的である。本結果より, アノテーション領域の同定において, プロトタイプサンプリングの方が, ランダムサンプリングや多様性サンプリングよりも有効であることが示唆された。
論文参考訳（メタデータ） (2024-07-08T20:05:21Z)
Judging from Support-set: A New Way to Utilize Few-Shot Segmentation for Segmentation Refinement Process [8.407954312239454]
セグメンテーションの改良は、セグメンテーションアルゴリズムによって生成された初期粗いマスクを強化することを目的としている。セグメンテーション改良の成功を判断できる手法は開発されていない。セグメンテーション・リファインメントの成功を判断する手法であるJFS(Judging From Support-set)を提案する。
論文参考訳（メタデータ） (2024-07-05T14:04:25Z)
FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms [60.195642571004804]
署名された距離関数(SDF)を表す画像誘導型条件付きフローマッチングフレームワークであるFlowSDFを提案する。 SDFの条件分布の確率パスに直接関係するベクトル場を学習することにより、セグメント化マスクの分布から正確にサンプリングすることができる。
論文参考訳（メタデータ） (2024-05-28T11:47:12Z)
PosSAM: Panoptic Open-vocabulary Segment Anything [58.72494640363136]
PosSAMはオープン・ボキャブラリ・パノプティ・セグメンテーション・モデルであり、Segment Anything Model(SAM)の強みを、エンドツーエンドのフレームワークで視覚ネイティブのCLIPモデルと統合する。本稿では,マスクの質を適応的に向上し,各画像の推論中にオープン語彙分類の性能を高めるマスク対応選択組立アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-03-14T17:55:03Z)
Auxiliary Tasks Enhanced Dual-affinity Learning for Weakly Supervised Semantic Segmentation [79.05949524349005]
AuxSegNet+は、サリエンシマップから豊富な情報を探索する弱教師付き補助学習フレームワークである。また,サリエンシとセグメンテーションの特徴マップから画素レベルの親和性を学習するためのクロスタスク親和性学習機構を提案する。
論文参考訳（メタデータ） (2024-03-02T10:03:21Z)
SAM-OCTA: Prompting Segment-Anything for OCTA Image Segmentation [2.452498006404167]
OCTA画像の局所分割のためのSAM-OCTA法を提案する。低ランク適応(LoRA)を用いたSAM(Pre-trained segment Any Model)の微調整法
論文参考訳（メタデータ） (2023-10-11T04:14:59Z)
Spatial Likelihood Voting with Self-Knowledge Distillation for Weakly Supervised Object Detection [54.24966006457756]
自己知識蒸留ネットワーク(SLV-SDネット)を用いたWSODフレームワークを提案する。 SLV-SD Netは、境界ボックスアノテーションなしで領域提案のローカライゼーションを収束させる。 PASCAL VOC 2007/2012およびMS-COCOデータセットの実験は、SLV-SD Netの優れた性能を示している。
論文参考訳（メタデータ） (2022-04-14T11:56:19Z)
Attention Model Enhanced Network for Classification of Breast Cancer Image [54.83246945407568]
AMENはマルチブランチ方式で、画素ワイドアテンションモデルとサブモジュールの分類で定式化される。微妙な詳細情報に焦点を合わせるため、サンプル画像は、前枝から生成された画素対応の注目マップによって強化される。 3つのベンチマークデータセットで行った実験は、様々なシナリオにおいて提案手法の優位性を実証している。
論文参考訳（メタデータ） (2020-10-07T08:44:21Z)
Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
論文参考訳（メタデータ） (2020-04-12T03:53:53Z)
An Efficient Framework for Automated Screening of Clinically Significant Macular Edema [0.41998444721319206]
本研究は,臨床上重要な黄斑浮腫(CSME)の自動スクリーニングのための新しいアプローチを提案する。提案手法は、トレーニング済みのディープニューラルネットワークとメタヒューリスティックな特徴選択を組み合わせたものである。スクイードデータセットの効果を克服するために、機能領域のオーバーサンプリング技術が使用されている。
論文参考訳（メタデータ） (2020-01-20T07:34:13Z)

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。