論文の概要: Image Segmentation with Homotopy Warping
- arxiv url: http://arxiv.org/abs/2112.07812v1
- Date: Wed, 15 Dec 2021 00:33:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-16 14:42:47.793325
- Title: Image Segmentation with Homotopy Warping
- Title（参考訳）: Homotopy Warpingによる画像分割
- Authors: Xiaoling Hu, Chao Chen
- Abstract要約: 位相的正しさは、微細な構造を持つ画像のセグメンテーションに不可欠である。
ディジタルトポロジの理論を活用することで、トポロジにとって重要な画像中の位置を特定する。
本稿では,位相的精度を向上させるために,深部画像分割ネットワークをトレーニングするための新たなホモトピーワーピング損失を提案する。
- 参考スコア（独自算出の注目度）: 10.093435601073484
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Besides per-pixel accuracy, topological correctness is also crucial for the
segmentation of images with fine-scale structures, e.g., satellite images and
biomedical images. In this paper, by leveraging the theory of digital topology,
we identify locations in an image that are critical for topology. By focusing
on these critical locations, we propose a new homotopy warping loss to train
deep image segmentation networks for better topological accuracy. To
efficiently identity these topologically critical locations, we propose a new
algorithm exploiting the distance transform. The proposed algorithm, as well as
the loss function, naturally generalize to different topological structures in
both 2D and 3D settings. The proposed loss function helps deep nets achieve
better performance in terms of topology-aware metrics, outperforming
state-of-the-art topology-preserving segmentation methods.
- Abstract（参考訳）: 画素ごとの精度の他に、トポロジカルな正確性は、衛星画像や生体画像などの微細な構造を持つ画像のセグメンテーションにも重要である。
本稿では,デジタルトポロジーの理論を活用し,トポロジーにとって重要な画像中の位置を同定する。
そこで我々は,これらの重要な位置に着目して,深い画像分割ネットワークを訓練し,位相的精度を向上させるための新しいホモトピーウォーピング損失を提案する。
位相的に重要な位置を効率的に同定するために,距離変換を利用した新しいアルゴリズムを提案する。
提案するアルゴリズムは損失関数と同様に、自然に2dおよび3d設定の異なる位相構造に一般化する。
提案された損失関数は、ディープネットがトポロジーを認識できるメトリクスにおいて、最先端のトポロジー保存セグメンテーション法よりも優れたパフォーマンスを達成するのに役立つ。
関連論文リスト
- Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。
ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。
トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-05T16:20:14Z) - PI-Att: Topology Attention for Segmentation Networks through Adaptive Persistence Image Representation [1.4680035572775534]
我々は,新たなトポロジ認識損失関数を導入し,ネットワークに対して,地上の真実と予測マップのトポロジ的相違を最小化するよう強制する。
セグメント化ネットワーク損失の文脈において,各マップのトポロジを永続画像表現によって定量化する。
提案したPI-Att損失は, 大動脈と大血管のセグメンテーションの2つの異なるデータセットで評価された。
論文 参考訳（メタデータ） (2024-08-15T09:06:49Z) - Enhancing Boundary Segmentation for Topological Accuracy with Skeleton-based Methods [7.646983689651424]
位相整合性は、直交画像の境界セグメンテーションの課題において重要な役割を果たす。
本稿では,各物体の形状と画素の位相的意義を考慮に入れた新たな損失関数であるSkea-Topo Aware Losを提案する。
実験により, この手法は, 13 の最先端手法と比較して, VI において最大 7 点まで位相整合性を向上させることが証明された。
論文 参考訳（メタデータ） (2024-04-29T09:27:31Z) - Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud
Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。
我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文 参考訳（メタデータ） (2022-12-17T15:05:25Z) - BuyTheDips: PathLoss for improved topology-preserving deep
learning-based image segmentation [1.8899300124593648]
本稿では,新しいリーク損失であるPathlossに依存する新しいディープイメージセグメンテーション手法を提案する。
本手法は,異なる性質の2つの代表的なデータセットに対して,最先端のトポロジ認識手法より優れる。
論文 参考訳（メタデータ） (2022-07-23T07:19:30Z) - Localized Persistent Homologies for more Effective Deep Learning [60.78456721890412]
ネットワークトレーニング中の位置を考慮に入れた新しいフィルタ機能を利用する手法を提案する。
この方法で訓練されたネットワークが抽出した曲線構造のトポロジを回復するのに役立つ道路の2次元画像と神経過程の3次元画像スタックを実験的に実証した。
論文 参考訳（メタデータ） (2021-10-12T19:28:39Z) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳（メタデータ） (2021-08-19T11:02:25Z) - Residual Moment Loss for Medical Image Segmentation [56.72261489147506]
位置情報は,対象物体の多様体構造を捉えた深層学習モデルに有効であることが証明された。
既存のほとんどの手法は、ネットワークが学習するために、位置情報を暗黙的にエンコードする。
セグメント化対象の位置情報を明示的に埋め込むために,新しい損失関数,すなわち残差モーメント(RM)損失を提案する。
論文 参考訳（メタデータ） (2021-06-27T09:31:49Z) - Topology-Aware Segmentation Using Discrete Morse Theory [38.65353702366932]
深部画像セグメンテーションネットワークを訓練し、位相精度を向上させる新しい手法を提案する。
1次元骨格や2次元パッチなど,位相的精度に重要なグローバル構造を明らかにする。
多様なデータセットに対して,DICEスコアとトポロジカルメトリクスの両方で優れた性能を示す。
論文 参考訳（メタデータ） (2021-03-18T02:47:21Z) - Discretization-Aware Architecture Search [81.35557425784026]
本稿では,離散化対応アーキテクチャサーチ(DAtextsuperscript2S)を提案する。
中心となる考え方は、超ネットワークを所望のトポロジの構成に向けることであり、離散化による精度損失がほとんど軽減される。
標準画像分類ベンチマークの実験は、我々のアプローチの優位性を実証している。
論文 参考訳（メタデータ） (2020-07-07T01:18:58Z)
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。