論文の概要: On the Uncertain Single-View Depths in Endoscopies
- arxiv url: http://arxiv.org/abs/2112.08906v1
- Date: Thu, 16 Dec 2021 14:24:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2021-12-17 20:52:51.480459
- Title: On the Uncertain Single-View Depths in Endoscopies
- Title（参考訳）: 内腔における不確定な単眼深度について
- Authors: Javier Rodr\'iguez-Puigvert, David Recasens, Javier Civera, Rub\'en
Mart\'inez-Cant\'in
- Abstract要約: 内視鏡画像から深度を推定することは、幅広いAI支援技術の前提条件である。
本稿では,コロンコピーにおける一視点深度推定のためのベイズディープネットワークを初めて検討する。
1)3つのデータセットにおける深度推定のためのベイジアンディープ・ネットワークの網羅的分析を行い,合成から現実へのドメイン変更に関する課題と結論を明らかにするとともに,教師の不確かさを考慮に入れた新しい教師・学生による深度学習手法を提案する。
- 参考スコア（独自算出の注目度）: 12.779570691818753
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating depth from endoscopic images is a pre-requisite for a wide set of
AI-assisted technologies, namely accurate localization, measurement of tumors,
or identification of non-inspected areas. As the domain specificity of
colonoscopies -- a deformable low-texture environment with fluids, poor
lighting conditions and abrupt sensor motions -- pose challenges to multi-view
approaches, single-view depth learning stands out as a promising line of
research. In this paper, we explore for the first time Bayesian deep networks
for single-view depth estimation in colonoscopies. Their uncertainty
quantification offers great potential for such a critical application area. Our
specific contribution is two-fold: 1) an exhaustive analysis of Bayesian deep
networks for depth estimation in three different datasets, highlighting
challenges and conclusions regarding synthetic-to-real domain changes and
supervised vs. self-supervised methods; and 2) a novel teacher-student approach
to deep depth learning that takes into account the teacher uncertainty.
- Abstract（参考訳）: 内視鏡画像から深度を推定することは、正確な局在化、腫瘍の測定、非検査領域の同定など、幅広いAI支援技術の前提条件である。
コロノスコピエのドメイン特異性 -- 流動性、照明条件の悪さ、そして突然のセンサーの動きを持つ変形可能な低テクスト環境 -- は、マルチビューアプローチに課題をもたらすため、シングルビューの奥行き学習は有望な研究分野として注目される。
本稿では,植民地における単一視点深度推定のためのベイズ深層ネットワークを初めて検討する。
不確かさの定量化は、このような重要な応用分野に対して大きな可能性をもたらす。
私たちの貢献は2つあります。
1)3つの異なるデータセットにおける奥行き推定のためのベイズ深層ネットワークの徹底的な解析、合成-実領域変化と教師付き対自己教師付き手法に関する課題と結論の強調、及び
2)教師の不確実性を考慮した深層学習への教師・教師の新たなアプローチ
関連論文リスト
- ToDER: Towards Colonoscopy Depth Estimation and Reconstruction with Geometry Constraint Adaptation [67.22294293695255]
そこで本稿では,ToDERという双方向適応アーキテクチャを用いて,高精度な深度推定を行う新しいパイプラインを提案する。
以上の結果から,本手法は実写および合成大腸内視鏡ビデオの深度マップを精度良く予測できることが示唆された。
論文 参考訳（メタデータ） (2024-07-23T14:24:26Z) - Unveiling the Depths: A Multi-Modal Fusion Framework for Challenging
Scenarios [103.72094710263656]
本稿では,学習に基づくフレームワークを用いて,支配的モダリティの奥行きを識別し,統合する手法を提案する。
本稿では,信頼度予測ネットワークを操り,潜在電位深度領域を特定する信頼マップを作成する新しい信頼損失を提案する。
得られた信頼度マップを用いて,最終深度をエンドツーエンドに融合するマルチモーダル融合ネットワークを提案する。
論文 参考訳（メタデータ） (2024-02-19T04:39:16Z) - Multi-task learning with cross-task consistency for improved depth
estimation in colonoscopy [0.2995885872626565]
我々は、共有エンコーダと2つのデコーダ、すなわち表面正規デコーダと深度推定器を備えた新しいマルチタスク学習(MTL)アプローチを開発する。
比較誤差は14.17%、$delta_1$精度は10.4%改善した。
論文 参考訳（メタデータ） (2023-11-30T16:13:17Z) - Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。
本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文 参考訳（メタデータ） (2023-07-30T16:08:45Z) - DARE: Towards Robust Text Explanations in Biomedical and Healthcare
Applications [54.93807822347193]
帰属ロバスト性評価手法を与えられたドメインに適応させ、ドメイン固有の妥当性を考慮する方法を示す。
次に,DAREが特徴とする脆さを軽減するために,対人訓練とFAR訓練の2つの方法を提案する。
最後に,確立した3つのバイオメディカル・ベンチマークを用いて実験を行い,本手法を実証的に検証した。
論文 参考訳（メタデータ） (2023-07-05T08:11:40Z) - SoftEnNet: Symbiotic Monocular Depth Estimation and Lumen Segmentation
for Colonoscopy Endorobots [2.9696400288366127]
大腸癌は世界で3番目に多いがん死の原因である。
視覚ベースの自律型内視鏡は大腸内視鏡の手順を大幅に改善することができる。
論文 参考訳（メタデータ） (2023-01-19T16:22:17Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳（メタデータ） (2021-12-20T13:29:13Z) - Self-Supervised Generative Adversarial Network for Depth Estimation in
Laparoscopic Images [13.996932179049978]
本稿では,ジェネレーティブ・ディバイサル・ネットワークに基づく自己教師型深度推定手法であるSADepthを提案する。
エンコーダデコーダジェネレータと、トレーニング中に幾何学的制約を組み込む識別器で構成される。
2つの公開データセットの実験により、SADepthは最新の最先端の教師なし手法よりも大きなマージンで優れていることが示された。
論文 参考訳（メタデータ） (2021-07-09T19:40:20Z) - Calibrating Self-supervised Monocular Depth Estimation [77.77696851397539]
近年、ニューラルネットワークが深度を学習し、画像のシーケンスに変化を起こさせる能力を示す方法は、訓練信号として自己スーパービジョンのみを使用している。
カメラの構成や環境に関する事前情報を取り入れることで,センサの追加に頼ることなく,自己教師型定式化を用いて,スケールのあいまいさを排除し,深度を直接予測できることを示す。
論文 参考訳（メタデータ） (2020-09-16T14:35:45Z) - Monocular Depth Estimation Based On Deep Learning: An Overview [16.2543991384566]
単一の画像から深度情報(眼深度推定)を推定することは不適切な問題である。
ディープラーニングは最近広く研究され、精度で有望なパフォーマンスを達成した。
深度推定の精度を向上させるために,様々な種類のネットワークフレームワーク,損失関数,トレーニング戦略を提案する。
論文 参考訳（メタデータ） (2020-03-14T12:35:34Z)
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。