論文の概要: Bridging the Gap: Point Clouds for Merging Neurons in Connectomics

• arxiv url: http://arxiv.org/abs/2112.02039v1
• Date: Fri, 3 Dec 2021 17:38:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-06 15:19:48.476169
• Title: Bridging the Gap: Point Clouds for Merging Neurons in Connectomics
• Title（参考訳）: ギャップを橋渡しする:コネクトミクスのニューロン融合のための点雲
• Authors: Jules Berman, Dmitri B. Chklovskii, Jingpeng Wu
• Abstract要約: 本稿では,ニューロンの点雲表現に基づく新しい手法を提案する。 我々は,本手法が強靭に機能するだけでなく,他の手法が解決しようとしているギャップをはるかに越えて,合理的にスケール可能であることを示す。
• 参考スコア（独自算出の注目度）: 7.519872646378835
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the field of Connectomics, a primary problem is that of 3D neuron segmentation. Although Deep Learning based methods have achieved remarkable accuracy, errors still exist, especially in regions with image defects. One common type of defect is that of consecutive missing image sections. Here data is lost along some axis, and the resulting neuron segmentations are split across the gap. To address this problem, we propose a novel method based on point cloud representations of neurons. We formulate this as a classification problem and train CurveNet, a state-of-the-art point cloud classification model, to identify which neurons should be merged. We show that our method not only performs strongly but scales reasonably to gaps well beyond what other methods have attempted to address. Additionally, our point cloud representations are highly efficient in terms of data, maintaining high performance with an amount of data that would be unfeasible for other methods. We believe that this is an indicator of the viability of using point clouds representations for other proofreading tasks.
• Abstract（参考訳）: コネクトミクスの分野では、主要な問題は3dニューロンのセグメンテーションである。 ディープラーニングに基づく手法は目覚ましい精度を達成したが、特に画像欠陥のある領域では誤りが残っている。 一般的な欠陥の1つは、連続した画像セクションの欠陥である。 ここでのデータは、ある軸に沿って失われ、結果として生じるニューロンのセグメンテーションはギャップを越えて分割される。 この問題に対処するために,ニューロンの点雲表現に基づく新しい手法を提案する。 これを分類問題として定式化し、最先端のポイントクラウド分類モデルであるtrain curvenetを用いて、どのニューロンをマージすべきかを特定する。 提案手法は,強固に実行するだけでなく,他の手法が取り組もうとしている以上のギャップに対して合理的にスケールすることを示す。 さらに、当社のポイントクラウド表現はデータの観点から非常に効率的で、他の方法では不可能な量のデータで高いパフォーマンスを維持しています。 これは、他の証明読解タスクにポイントクラウド表現を使用する可能性の指標であると考えています。

関連論文リスト

• Inferring Neural Signed Distance Functions by Overfitting on Single Noisy Point Clouds through Finetuning Data-Driven based Priors [53.6277160912059]
  本稿では,データ駆動型およびオーバーフィット型手法のプロースを推進し,より一般化し,高速な推論を行い,より高精度なニューラルネットワークSDFを学習する手法を提案する。 そこで本研究では,距離管理やクリーンポイントクラウド,あるいは点正規化を伴わずに,データ駆動型プリエントを微調整できる新しい統計的推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-25T16:48:44Z)
• Point Cloud Denoising and Outlier Detection with Local Geometric Structure by Dynamic Graph CNN [0.0]
  ポイントクラウドは3D空間のメディアフォーマットとして注目されている。 PointCleanNetは、ポイントクラウドのデnoisingとoutlier Detectionに有効な方法である。 動的グラフCNNに基づいて設計された2種類のグラフ畳み込み層を提案する。
  論文  参考訳（メタデータ） (2023-10-11T10:50:15Z)
• GridPull: Towards Scalability in Learning Implicit Representations from 3D Point Clouds [60.27217859189727]
  大規模クラウドから暗黙の表現を学習する効率を改善するため,GridPullを提案する。 我々の斬新さは、ニューラルネットワークを使わずにグリッド上に定義された離散距離場の高速な推論にある。 我々は、一様格子を用いて高速グリッド探索を行い、サンプルクエリをローカライズし、木構造内の表面点を整理し、表面への距離の計算を高速化する。
  論文  参考訳（メタデータ） (2023-08-25T04:52:52Z)
• MLGCN: An Ultra Efficient Graph Convolution Neural Model For 3D Point Cloud Analysis [4.947552172739438]
  グラフニューラルネットワーク(GNN)ブロックを用いて,特定の局所レベルの3次元点雲から特徴を抽出する,MLGCN(Multi-level Graph Convolution Neural)モデルを提案する。 提案手法は,浮動小数点演算(FLOP)の最大1000倍の削減と,ストレージ要求の大幅な削減を図りながら,最先端モデルに匹敵する結果をもたらす。
  論文  参考訳（メタデータ） (2023-03-31T00:15:22Z)
• Data Augmentation-free Unsupervised Learning for 3D Point Cloud Understanding [61.30276576646909]
  ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。 我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
  論文  参考訳（メタデータ） (2022-10-06T10:18:16Z)
• Shrinking unit: a Graph Convolution-Based Unit for CNN-like 3D Point Cloud Feature Extractors [0.0]
  我々は、画像領域からのインスピレーションの欠如が、そのようなギャップの主な原因であると主張している。 我々は,CNNのような3Dポイント・クラウド特徴抽出器の設計のために,Shrinkingユニットと呼ばれるグラフ畳み込み単位を提案する。
  論文  参考訳（メタデータ） (2022-09-26T15:28:31Z)
• Geometer: Graph Few-Shot Class-Incremental Learning via Prototype Representation [50.772432242082914]
  既存のグラフニューラルネットワークに基づく手法は主に、豊富なラベリングを持つ固定クラス内の未ラベルノードの分類に重点を置いている。 本稿では,この難易度で実用的なグラフ数ショットクラスインクリメンタルラーニング(GFSCIL)問題に着目し,Geometerと呼ばれる新しい手法を提案する。 完全に接続されたニューラルネットワークのクラスを置き換えて再トレーニングする代わりに、Geometerは、最も近いクラスのプロトタイプを見つけることによって、ノードのラベルを予測する。
  論文  参考訳（メタデータ） (2022-05-27T13:02:07Z)
• NeeDrop: Self-supervised Shape Representation from Sparse Point Clouds using Needle Dropping [80.2485282512607]
  スパース点雲から形状表現を学習するための自己教師型手法NeeDropを紹介する。 形状の知識は不要で、例えば車によって取得されたライダー点雲のように、点雲は疎くすることができる。 形状復元データセットにおける既存の教師ありアプローチと同等の定量的な結果が得られる。
  論文  参考訳（メタデータ） (2021-11-30T08:35:20Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• Label-Efficient Learning on Point Clouds using Approximate Convex Decompositions [43.1279121348315]
  本稿では,ACD(Adroximate Convex Decompositions)を用いて,点雲表現のラベル効率の学習を行う。 我々は,ACDを用いて3次元点雲表現の学習に優れた自己スーパービジョンを提供することを示す。
  論文  参考訳（メタデータ） (2020-03-30T21:44:43Z)

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。