論文の概要: BI-GCN: Boundary-Aware Input-Dependent Graph Convolution Network for
Biomedical Image Segmentation
- arxiv url: http://arxiv.org/abs/2110.14775v1
- Date: Wed, 27 Oct 2021 21:12:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-29 13:40:15.766498
- Title: BI-GCN: Boundary-Aware Input-Dependent Graph Convolution Network for
Biomedical Image Segmentation
- Title（参考訳）: BI-GCN:バイオメディカルイメージセグメンテーションのための境界対応入力依存グラフ畳み込みネットワーク
- Authors: Yanda Meng, Hongrun Zhang, Dongxu Gao, Yitian Zhao, Xiaoyun Yang,
Xuesheng Qian, Xiaowei Huang, Yalin Zheng
- Abstract要約: セグメント化タスクにグラフ畳み込みを適用し,改良されたtextitLaplacianを提案する。
本手法は,大腸内視鏡像におけるポリープの分画と光ディスク,光カップのカラーファンドス画像における画期的なアプローチよりも優れていた。
- 参考スコア（独自算出の注目度）: 21.912509900254364
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Segmentation is an essential operation of image processing. The convolution
operation suffers from a limited receptive field, while global modelling is
fundamental to segmentation tasks. In this paper, we apply graph convolution
into the segmentation task and propose an improved \textit{Laplacian}.
Different from existing methods, our \textit{Laplacian} is data-dependent, and
we introduce two attention diagonal matrices to learn a better vertex
relationship. In addition, it takes advantage of both region and boundary
information when performing graph-based information propagation. Specifically,
we model and reason about the boundary-aware region-wise correlations of
different classes through learning graph representations, which is capable of
manipulating long range semantic reasoning across various regions with the
spatial enhancement along the object's boundary. Our model is well-suited to
obtain global semantic region information while also accommodates local spatial
boundary characteristics simultaneously. Experiments on two types of
challenging datasets demonstrate that our method outperforms the
state-of-the-art approaches on the segmentation of polyps in colonoscopy images
and of the optic disc and optic cup in colour fundus images.
- Abstract（参考訳）: セグメンテーションは画像処理の重要な操作である。
畳み込み操作は限られた受容領域に苦しむが、グローバルモデリングはセグメンテーションタスクの基本である。
本稿では,グラフ畳み込みをセグメンテーションタスクに適用し,改良された \textit{laplacian} を提案する。
既存の方法とは違って,データ依存型であり,2つの注意対角行列を導入して,より良い頂点関係を学習する。
さらに、グラフベースの情報伝達を行う際に、領域情報と境界情報の両方を利用する。
具体的には,様々な領域にまたがる長距離意味的推論を操作できるグラフ表現を学習することで,異なるクラスの境界を認識できる領域的相関をモデル化し,推論する。
本モデルは,局所空間境界特性を同時に備えつつ,グローバルな意味領域情報を得るのに適したモデルである。
2種類の挑戦的データセットの実験により,大腸内視鏡像におけるポリープのセグメンテーション,およびカラーフロス画像における光学ディスクと光学カップの最先端のアプローチよりも優れた結果が得られた。
関連論文リスト
- Language Guided Domain Generalized Medical Image Segmentation [68.93124785575739]
単一ソースドメインの一般化は、より信頼性が高く一貫性のあるイメージセグメンテーションを現実の臨床環境にわたって約束する。
本稿では,テキストエンコーダ機能によって案内されるコントラスト学習機構を組み込むことで,テキスト情報を明確に活用する手法を提案する。
文献における既存手法に対して,本手法は良好な性能を発揮する。
論文 参考訳（メタデータ） (2024-04-01T17:48:15Z) - Geometrically Aligned Transfer Encoder for Inductive Transfer in
Regression Tasks [5.038936775643437]
微分幾何学に基づく新しい移動法,すなわち幾何学的配向変換(GATE)を提案する。
すべての任意の点が重なり合う領域の局所平坦な座標に写像されることを保証するために、タスクのペア間の適切な微分同相性を見つけ、ソースからターゲットデータへの知識の伝達を可能にする。
GATEは従来の手法より優れ、様々な分子グラフデータセットの潜伏空間と外挿領域の両方で安定した振る舞いを示す。
論文 参考訳（メタデータ） (2023-10-10T07:11:25Z) - Joint Dense-Point Representation for Contour-Aware Graph Segmentation [2.138299283227551]
本稿では,点と画素の輪郭表現を共同で学習することにより,グラフと高密度セグメンテーション技術を組み合わせた新しい手法を提案する。
これは、不整合目的がネットワークを識別的・輪郭的特徴の学習から制限する典型的なグラフ分割法における欠陥に対処する。
提案手法はいくつかのケストX線データセットで検証され,セグメンテーション安定性と精度の明確な改善が示された。
論文 参考訳（メタデータ） (2023-06-21T10:07:17Z) - Attention-based fusion of semantic boundary and non-boundary information
to improve semantic segmentation [9.518010235273783]
本稿では,新しい融合方式に基づく画像意味的セグメンテーション手法を提案する。
我々の提案の主な目的は、全体セグメンテーション性能を改善するために、オブジェクト境界情報を調べることである。
提案したモデルでは,CityScapes,CamVid,Pascal Contextデータセットで最高のmIoU,Mapillary Vistasで2番目によいmIoUを達成した。
論文 参考訳（メタデータ） (2021-08-05T20:46:53Z) - Unsupervised Image Segmentation by Mutual Information Maximization and
Adversarial Regularization [7.165364364478119]
InMARS(Information Maximization and Adrial Regularization)と呼ばれる新しい教師なしセマンティックセマンティックセマンティクス手法を提案する。
シーンを知覚群に解析する人間の知覚に触発され、提案手法はまず、入力画像を意味のある領域(スーパーピクセルとも呼ばれる)に分割する。
次に、相互情報最大化(Multual-Information-Maximization)と、それらの領域を意味論的に意味のあるクラスにクラスタ化するための敵対的トレーニング戦略を利用する。
提案手法は2つの非教師付きセマンティックセグメンテーションデータセット上での最先端性能を実現することを実証した。
論文 参考訳（メタデータ） (2021-07-01T18:36:27Z) - BoundarySqueeze: Image Segmentation as Boundary Squeezing [104.43159799559464]
本研究では,オブジェクトとシーンの微細な高画質画像分割のための新しい手法を提案する。
形態素画像処理技術による拡張と浸食に着想を得て,画素レベルのセグメンテーション問題をスクイーズ対象境界として扱う。
提案手法は,COCO,Cityscapesのインスタンス・セグメンテーション・セグメンテーション・セグメンテーションにおいて大きく向上し,同一条件下での精度・速度ともに従来のPointRendよりも優れていた。
論文 参考訳（メタデータ） (2021-05-25T04:58:51Z) - Spatial-spectral Hyperspectral Image Classification via Multiple Random
Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。
まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。
次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文 参考訳（メタデータ） (2021-03-25T09:31:41Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z) - Adversarial Bipartite Graph Learning for Video Domain Adaptation [50.68420708387015]
ドメイン適応技術は,異なる領域間のモデルを適応させることに重点を置いているが,ビデオ認識領域ではめったに研究されていない。
近年,映像のソースと対象映像の表現を統一するために,対角学習を活用する視覚領域適応はビデオにはあまり効果がない。
本稿では,ソースとターゲットの相互作用を直接モデル化するAdversarial Bipartite Graph (ABG)学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-31T03:48:41Z) - Spatial Pyramid Based Graph Reasoning for Semantic Segmentation [67.47159595239798]
セマンティックセグメンテーションタスクにグラフ畳み込みを適用し、改良されたラプラシアンを提案する。
グラフ推論は、空間ピラミッドとして構成された元の特徴空間で直接実行される。
計算とメモリのオーバーヘッドの利点で同等のパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2020-03-23T12:28:07Z)
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。