論文の概要: M2MRF: Many-to-Many Reassembly of Features for Tiny Lesion Segmentation
in Fundus Images
- arxiv url: http://arxiv.org/abs/2111.00193v1
- Date: Sat, 30 Oct 2021 07:02:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-04 09:43:46.243817
- Title: M2MRF: Many-to-Many Reassembly of Features for Tiny Lesion Segmentation
in Fundus Images
- Title（参考訳）: M2MRF : 基底画像の細い病変分割のための多対多の再構成
- Authors: Qing Liu, Haotian Liu, Yixiong Liang
- Abstract要約: 機能再アセンブリは、現代のCNNベースのセグメンテーションアプローチにおいて必須のコンポーネントである。
M2MRF(man-to-many reassembly of features)を提案する。
次元レデュースされた特徴空間における特徴を再組み立てし、同時に大きな事前定義された領域内の複数の特徴を複数のターゲット特徴に集約する。
- 参考スコア（独自算出の注目度）: 6.872169718634854
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Feature reassembly is an essential component in modern CNNs-based
segmentation approaches, which includes feature downsampling and upsampling
operators. Existing feature reassembly operators reassemble multiple features
from a small predefined region into one for each target location independently.
This may result in loss of spatial information, which could vanish activations
of tiny lesions particularly when they cluster together. In this paper, we
propose a many-to-many reassembly of features (M2MRF). It reassembles features
in a dimension-reduced feature space and simultaneously aggregates multiple
features inside a large predefined region into multiple target features. In
this way, long range spatial dependencies are captured to maintain activations
on tiny lesions, particularly when multiple lesions coexist. Experimental
results on two lesion segmentation benchmarks, i.e. DDR and IDRiD, show that
our M2MRF outperforms existing feature reassembly operators.
- Abstract（参考訳）: 機能再アセンブリは、機能ダウンサンプリングとアップサンプリング演算子を含む、最新のCNNベースのセグメンテーションアプローチにおいて不可欠なコンポーネントである。
既存の機能再組み立てオペレータは、小さな事前定義された領域から、ターゲット位置ごとに独立して複数の機能を再組み立てする。
これにより空間情報が失われ、小さな病変の活性化が消失する可能性がある。
本稿では,M2MRF(man-to-many reassembly of features)を提案する。
次元レデュースされた特徴空間における特徴を再組み立てし、同時に大きな事前定義された領域内の複数の特徴を複数のターゲット特徴に集約する。
このようにして、特に複数の病変が共存する場合に、小さな病変の活性化を維持するために、長い範囲の空間依存が捕捉される。
DDRとIDRiDの2つの病変セグメンテーションベンチマークによる実験結果から,M2MRFは既存の機能再構成演算子よりも優れていることが示された。
関連論文リスト
- Renormalized Connection for Scale-preferred Object Detection in Satellite Imagery [51.83786195178233]
我々は、効率的な特徴抽出の観点から再正規化群理論を実装するために、知識発見ネットワーク(KDN)を設計する。
KDN上の再正規化接続(RC)は、マルチスケール特徴の「相乗的焦点」を可能にする。
RCはFPNベースの検出器のマルチレベル特徴の分割・対数機構を幅広いスケールで予測されたタスクに拡張する。
論文 参考訳（メタデータ） (2024-09-09T13:56:22Z) - Mixture-of-Noises Enhanced Forgery-Aware Predictor for Multi-Face Manipulation Detection and Localization [52.87635234206178]
本稿では,多面的操作検出と局所化に適したMoNFAPという新しいフレームワークを提案する。
このフレームワークには2つの新しいモジュールが含まれている: Forgery-aware Unified Predictor (FUP) Module と Mixture-of-Noises Module (MNM)。
論文 参考訳（メタデータ） (2024-08-05T08:35:59Z) - DuAT: Dual-Aggregation Transformer Network for Medical Image
Segmentation [21.717520350930705]
トランスフォーマーベースのモデルはコンピュータビジョンタスクで成功することが広く実証されている。
しかし、それらはしばしば大きなパターンの特徴によって支配され、局所的な詳細が失われる。
本稿では、2つの革新的な設計を特徴とするDuATと呼ばれるDual-Aggregation Transformer Networkを提案する。
大腸内視鏡画像における皮膚病変像とポリープの分画における最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2022-12-21T07:54:02Z) - DQnet: Cross-Model Detail Querying for Camouflaged Object Detection [54.82390534024954]
カモフラージュされた物体検出のための畳み込みニューラルネットワーク(CNN)は、完全な対象範囲を無視しながら局所的な識別領域を活性化する傾向がある。
本稿では,CNNの内在的特性から部分的活性化が引き起こされることを論じる。
完全なオブジェクト範囲を活性化できる特徴マップを得るために,クロスモデル詳細クエリネットワーク(DQnet)と呼ばれる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2022-12-16T06:23:58Z) - Progressively Dual Prior Guided Few-shot Semantic Segmentation [57.37506990980975]
Few-shotのセマンティックセマンティックセマンティクスタスクは、いくつかのアノテーション付きサポートサンプルを使用して、クエリイメージのセマンティクスを実行することを目的としている。
本稿では,先進的に2重にガイドされた数発のセマンティックセマンティックセグメンテーションネットワークを提案する。
論文 参考訳（メタデータ） (2022-11-20T16:19:47Z) - Hard Exudate Segmentation Supplemented by Super-Resolution with
Multi-scale Attention Fusion Module [14.021944194533644]
硬外用量(HE)は網膜浮腫の最も特異的なバイオマーカーである。
本稿では,SS-MAFと呼ばれる高分解能部分分割手法を提案する。
我々はIDRiDとE-Ophthaの2つのパブリック病変データセットについて検討した。
論文 参考訳（メタデータ） (2022-11-17T08:25:04Z) - Task-Adaptive Feature Transformer with Semantic Enrichment for Few-Shot
Segmentation [21.276981570672064]
わずかながらの学習により、機械はいくつかのラベル付きサンプルを使用して新しいクラスを分類できる。
本稿では,既存のセグメンテーションネットワーク上に,数発のセグメンテーションを行うための学習可能なモジュールを提案する。
PASCAL-$5i$とCOCO-$20i$データセットの実験では、追加されたモジュールが既存のセグメンテーションの機能を拡張することに成功した。
論文 参考訳（メタデータ） (2022-02-14T06:16:26Z) - Spatio-Temporal Representation Factorization for Video-based Person
Re-Identification [55.01276167336187]
本稿では、re-IDのための時空間表現分解モジュール(STRF)を提案する。
STRFはフレキシブルな新しい計算ユニットであり、re-IDのための既存のほとんどの3D畳み込みニューラルネットワークアーキテクチャと併用することができる。
実験により、STRFは様々なベースラインアーキテクチャの性能を向上し、新しい最先端の成果を示す。
論文 参考訳（メタデータ） (2021-07-25T19:29:37Z) - A^2-FPN: Attention Aggregation based Feature Pyramid Network for
Instance Segmentation [68.10621089649486]
アテンションアグリゲーションに基づく機能ピラミッドネットワーク(A2-FPN)を提案し、マルチスケール機能学習を改善します。
A2-FPNは、Cascade Mask R-CNNやHybrid Task Cascadeといった強力なベースラインに統合された場合、2.0%と1.4%のマスクAPを改善する。
論文 参考訳（メタデータ） (2021-05-07T11:51:08Z) - Feature Boosting, Suppression, and Diversification for Fine-Grained
Visual Classification [0.0]
識別的局所領域からの特徴表現の学習は、きめ細かい視覚的分類において重要な役割を担っている。
既存の畳み込みニューラルネットワークに簡単に接続できる2つの軽量モジュールを導入する。
本手法は,いくつかのベンチマークきめ細かなデータセットにおいて最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-03-04T01:49:53Z) - AFD-Net: Adaptive Fully-Dual Network for Few-Shot Object Detection [8.39479809973967]
Few-shot Object Detection (FSOD) は、未確認の物体に迅速に適応できる検出器の学習を目的としている。
既存の方法では、共有コンポーネントを用いて分類と局所化のサブタスクを実行することで、この問題を解決している。
本稿では,2つのサブタスクの明示的な分解を考慮し,両者の情報を活用して特徴表現の強化を図ることを提案する。
論文 参考訳（メタデータ） (2020-11-30T10:21:32Z)
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。