論文の概要: HyperSegNAS: Bridging One-Shot Neural Architecture Search with 3D
Medical Image Segmentation using HyperNet
- arxiv url: http://arxiv.org/abs/2112.10652v1
- Date: Mon, 20 Dec 2021 16:21:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-21 18:50:39.963551
- Title: HyperSegNAS: Bridging One-Shot Neural Architecture Search with 3D
Medical Image Segmentation using HyperNet
- Title（参考訳）: HyperSegNAS: HyperNetを用いた3次元医用画像セグメンテーションによるワンショットニューラルネットワーク検索
- Authors: Cheng Peng, Andriy Myronenko, Ali Hatamizadeh, Vish Nath, Md Mahfuzur
Rahman Siddiquee, Yufan He, Daguang Xu, Rama Chellappa, Dong Yang
- Abstract要約: 医用画像セグメンテーションのためのワンショットニューラルアーキテクチャサーチ(NAS)を実現するためにHyperSegNASを導入する。
従来のSOTA(State-of-the-art)セグメンテーションネットワークと比較して,HyperSegNASの方がパフォーマンスが高く,直感的なアーキテクチャが得られることを示す。
本手法は,MSD (Messical Decathlon) 課題の公開データセットを用いて評価し,SOTAの性能評価を行う。
- 参考スコア（独自算出の注目度）: 51.60655410423093
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semantic segmentation of 3D medical images is a challenging task due to the
high variability of the shape and pattern of objects (such as organs or
tumors). Given the recent success of deep learning in medical image
segmentation, Neural Architecture Search (NAS) has been introduced to find
high-performance 3D segmentation network architectures. However, because of the
massive computational requirements of 3D data and the discrete optimization
nature of architecture search, previous NAS methods require a long search time
or necessary continuous relaxation, and commonly lead to sub-optimal network
architectures. While one-shot NAS can potentially address these disadvantages,
its application in the segmentation domain has not been well studied in the
expansive multi-scale multi-path search space. To enable one-shot NAS for
medical image segmentation, our method, named HyperSegNAS, introduces a
HyperNet to assist super-net training by incorporating architecture topology
information. Such a HyperNet can be removed once the super-net is trained and
introduces no overhead during architecture search. We show that HyperSegNAS
yields better performing and more intuitive architectures compared to the
previous state-of-the-art (SOTA) segmentation networks; furthermore, it can
quickly and accurately find good architecture candidates under different
computing constraints. Our method is evaluated on public datasets from the
Medical Segmentation Decathlon (MSD) challenge, and achieves SOTA performances.
- Abstract（参考訳）: 3次元医用画像のセマンティックセグメンテーションは、物体の形状やパターン(臓器や腫瘍など)の多様性が高いため、難しい課題である。
医用画像セグメンテーションにおけるディープラーニングの成功から,高性能な3Dセグメンテーションネットワークアーキテクチャを見つけるために,ニューラルアーキテクチャサーチ(NAS)が導入されている。
しかし、3Dデータの膨大な計算要求とアーキテクチャ探索の離散的な最適化の性質のため、従来のNAS手法では長い探索時間や連続的な緩和が必要であり、一般に準最適ネットワークアーキテクチャにつながる。
ワンショットnasはこれらの欠点に対処できるが、セグメンテーション領域での応用は、広範囲のマルチパス探索空間では十分に研究されていない。
医用画像セグメンテーションのためのワンショットNASを実現するために,HyperSegNASという手法を導入し,アーキテクチャトポロジ情報を組み込んでスーパーネットトレーニングを支援する。
このようなHyperNetは、スーパーネットがトレーニングされると取り除かれ、アーキテクチャ検索中にオーバーヘッドは発生しない。
従来のSOTAセグメンテーションネットワークと比較すると,HyperSegNASはより高性能で直感的なアーキテクチャを実現しており,また,異なる計算制約下で優れたアーキテクチャ候補を迅速かつ正確に見つけることが可能である。
本手法は,MSD (Messical Segmentation Decathlon) 課題の公開データセットを用いて評価し,SOTA性能を実現する。
関連論文リスト
- DNA Family: Boosting Weight-Sharing NAS with Block-Wise Supervisions [121.05720140641189]
蒸留型ニューラルアーキテクチャ(DNA)技術を用いたモデル群を開発した。
提案するDNAモデルでは,アルゴリズムを用いてサブサーチ空間にのみアクセス可能な従来の手法とは対照的に,すべてのアーキテクチャ候補を評価できる。
当社のモデルでは,モバイルコンボリューションネットワークと小型ビジョントランスフォーマーにおいて,ImageNet上で78.9%,83.6%の最先端トップ1精度を実現している。
論文 参考訳（メタデータ） (2024-03-02T22:16:47Z) - HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel
Neural Architecture Search [104.45426861115972]
設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。
我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。
6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
論文 参考訳（メタデータ） (2023-04-23T17:27:40Z) - UnrealNAS: Can We Search Neural Architectures with Unreal Data? [84.78460976605425]
ニューラルアーキテクチャサーチ(NAS)はディープニューラルネットワーク(DNN)の自動設計において大きな成功を収めた。
これまでの研究は、NASに地道ラベルを持つことの必要性を分析し、幅広い関心を喚起した。
NASが有効であるためには、実際のデータが必要であるかどうか、さらに疑問を呈する。
論文 参考訳（メタデータ） (2022-05-04T16:30:26Z) - Mixed-Block Neural Architecture Search for Medical Image Segmentation [0.0]
医用画像セグメンテーションネットワークのための新しいNAS検索空間を提案する。
U-Netでよく知られる一般化エンコーダデコーダ構造の強みと、画像分類タスクにおいて強力な性能を示すネットワークブロックを組み合わせる。
提案手法により発見されたネットワークは,手作りセグメンテーションネットワークよりも優れた性能を示した。
論文 参考訳（メタデータ） (2022-02-23T10:32:35Z) - BiX-NAS: Searching Efficient Bi-directional Architecture for Medical
Image Segmentation [85.0444711725392]
本稿では,双方向スキップ接続ネットワークのマルチスケールアップグレードについて検討し,新しい2相ニューラルアーキテクチャ探索 (NAS) アルゴリズム,すなわちBiX-NASを用いて,効率的なアーキテクチャを自動検出する。
提案手法は、異なるレベルとイテレーションで非効率なマルチスケール特徴を排除し、ネットワーク計算コストを削減する。
3つの異なる医用画像データセットを用いて2つのセグメンテーションタスクにおけるBiX-NASの評価を行い、実験結果から、Bix-NAS探索アーキテクチャが計算コストを大幅に削減して最先端の性能を達成することを示す。
論文 参考訳（メタデータ） (2021-06-26T14:33:04Z) - DiNTS: Differentiable Neural Network Topology Search for 3D Medical
Image Segmentation [7.003867673687463]
ディグライザブルネットワークトポロジ検索スキーム(DiNTS)は,MSD(Medicical Decathlon)の課題に対して評価される。
本手法は,MSDチャレンジリーダーボードの最先端性能と上位ランキングを達成する。
論文 参考訳（メタデータ） (2021-03-29T21:02:42Z) - Memory-Efficient Hierarchical Neural Architecture Search for Image
Restoration [68.6505473346005]
メモリ効率の高い階層型NAS HiNAS(HiNAS)を提案する。
単一の GTX1080Ti GPU では、BSD 500 でネットワークを消すのに約 1 時間、DIV2K で超解像構造を探すのに 3.5 時間しかかかりません。
論文 参考訳（メタデータ） (2020-12-24T12:06:17Z) - FNA++: Fast Network Adaptation via Parameter Remapping and Architecture
Search [35.61441231491448]
本稿では,シードネットワークのアーキテクチャとパラメータの両方を適応できるFNA++法を提案する。
実験では、FNA++をMobileNetV2に適用し、セマンティックセグメンテーション、オブジェクト検出、人間のポーズ推定のための新しいネットワークを得る。
FNA++の総計算コストは、SOTAセグメンテーションやNASアプローチよりも大幅に少ない。
論文 参考訳（メタデータ） (2020-06-21T10:03:34Z) - DCNAS: Densely Connected Neural Architecture Search for Semantic Image
Segmentation [44.46852065566759]
Densely Connected NAS (DCNAS) フレームワークを提案し、視覚情報のマルチスケール表現に対して最適なネットワーク構造を直接検索する。
具体的には,学習可能な重みを使ってセルを相互に接続することにより,多数の主流ネットワーク設計をカバーするために,密結合された検索空間を導入する。
我々は、DCNASアルゴリズムから得られたアーキテクチャが、公開セマンティックイメージセグメンテーションベンチマーク上で最先端のパフォーマンスを達成することを実証した。
論文 参考訳（メタデータ） (2020-03-26T13:21:33Z) - Fast Neural Network Adaptation via Parameter Remapping and Architecture
Search [35.61441231491448]
ディープニューラルネットワークは多くのコンピュータビジョンタスクにおいて顕著なパフォーマンスを達成する。
ほとんどの最新技術(SOTA)セマンティックセグメンテーションとオブジェクト検出アプローチは、バックボーンとしてイメージ分類用に設計されたニューラルネットワークアーキテクチャを再利用する。
しかし、大きな課題の1つは、画像Netによる検索空間表現の事前トレーニングが膨大な計算コストを発生させることである。
本稿では、シードネットワークのアーキテクチャとパラメータの両方を適応できる高速ニューラルネットワーク適応(FNA)手法を提案する。
論文 参考訳（メタデータ） (2020-01-08T13:45:15Z)
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。