Fugu-MT 論文翻訳(概要): GPU-Net: Lightweight U-Net with more diverse features

論文の概要: GPU-Net: Lightweight U-Net with more diverse features

arxiv url: http://arxiv.org/abs/2201.02656v1
Date: Fri, 7 Jan 2022 19:53:15 GMT
ステータス: 処理完了
システム内更新日: 2022-01-12 11:09:36.390284
Title: GPU-Net: Lightweight U-Net with more diverse features
Title（参考訳）: GPU-Net:より多様な機能を備えた軽量U-Net
Authors: Heng Yu, Di Fan, Weihu Song
Abstract要約: U-Netに基づくGP-モジュールとGPU-Netを提案する。これは、ゴーストモジュールとアトラス空間ピラミッドプール(ASPP)を導入することで、より多様な特徴を学習することができる。提案手法は,パラメータの4倍以上,FLOPの2倍の精度で性能向上を実現し,今後の研究への新たな方向性を提供する。
参考スコア（独自算出の注目度）: 11.248501744673126
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Image segmentation is an important task in the medical image field and many convolutional neural networks (CNNs) based methods have been proposed, among which U-Net and its variants show promising performance. In this paper, we propose GP-module and GPU-Net based on U-Net, which can learn more diverse features by introducing Ghost module and atrous spatial pyramid pooling (ASPP). Our method achieves better performance with more than 4 times fewer parameters and 2 times fewer FLOPs, which provides a new potential direction for future research. Our plug-and-play module can also be applied to existing segmentation methods to further improve their performance.
Abstract（参考訳）: 画像分割は医療画像分野において重要な課題であり,多くの畳み込みニューラルネットワーク(CNN)に基づく手法が提案されている。本稿では,ghost module と atrous spatial pyramid pooling (aspp) を導入することで,より多様な特徴を学習できる u-net に基づくgp-module と gpu-net を提案する。提案手法は4倍以上のパラメータと2倍のフロップでより良い性能を実現し,今後の研究に新たな可能性をもたらす。プラグイン・アンド・プレイモジュールは既存のセグメンテーションメソッドにも適用でき、パフォーマンスがさらに向上します。

関連論文リスト

MS-UNet-v2: Adaptive Denoising Method and Training Strategy for Medical Image Segmentation with Small Training Data [17.228264498986295]
本研究では,医用画像分割作業のための新しいU-NetモデルMS-UNetを提案する。提案したマルチスケールネストデコーダ構造により,デコーダとエンコーダの機能マッピングをセマンティックに近づけることができる。さらに,MS-UNetのセグメンテーション性能を効果的に向上するだけでなく,他のモデルにも個別に適用できる新しいエッジロスとプラグアンドプレイ細調整モジュールを提案する。
論文参考訳（メタデータ） (2023-09-07T13:00:27Z)
Regularization of polynomial networks for image recognition [78.4786845859205]
PN(Polynomial Networks)は、将来性があり、解釈可能性も向上した代替手法として登場した。 6つのベンチマークでResNetのパフォーマンスに到達できるPNのクラスを紹介します。
論文参考訳（メタデータ） (2023-03-24T10:05:22Z)
MogaNet: Multi-order Gated Aggregation Network [64.16774341908365]
我々は,識別的視覚的表現学習のために,MogaNetと呼ばれる現代ConvNetの新たなファミリーを提案する。 MogaNetは概念的に単純だが効果的な畳み込みをカプセル化し、集約をコンパクトモジュールに集約する。 MogaNetは、ImageNetの最先端のViTやConvNetと比較して、優れたスケーラビリティ、パラメータの大幅な効率、競争性能を示している。
論文参考訳（メタデータ） (2022-11-07T04:31:17Z)
Lightweight and Progressively-Scalable Networks for Semantic Segmentation [100.63114424262234]
マルチスケール学習フレームワークは,セマンティックセグメンテーションを向上する有効なモデルのクラスと見なされてきた。本稿では,畳み込みブロックの設計と,複数スケールにわたる相互作用の仕方について,徹底的に解析する。我々は,軽量で拡張性の高いネットワーク(LPS-Net)を考案した。
論文参考訳（メタデータ） (2022-07-27T16:00:28Z)
DMSANet: Dual Multi Scale Attention Network [0.0]
我々は,最高の性能を達成するだけでなく,既存のモデルに比べてパラメータも少ない新しいアテンションモジュールを提案する。私たちの注目モジュールは、軽量な性質のため、他の畳み込みニューラルネットワークと容易に統合できます。
論文参考訳（メタデータ） (2021-06-13T10:31:31Z)
Refined Deep Neural Network and U-Net for Polyps Segmentation [2.2997477356053255]
Inception module, Adaptive Convolutional Neural Network with U-Net model, and PraNet for semantic segmentation of various types of polyps in endoscopic image。提案手法は,複数実験による精度と効率性を示すとともに,Jaccardインデックス0.765で上位3位にランクインした。
論文参考訳（メタデータ） (2021-05-31T10:02:52Z)
KiU-Net: Overcomplete Convolutional Architectures for Biomedical Image and Volumetric Segmentation [71.79090083883403]
トラディショナル・エンコーダ・デコーダに基づく手法は, より小さな構造を検出でき, 境界領域を正確に分割できない。本稿では,(1)入力の細部と正確なエッジを捉えることを学ぶ完全畳み込みネットワークKite-Netと,(2)高レベルの特徴を学習するU-Netの2つの枝を持つKiU-Netを提案する。提案手法は,より少ないパラメータとより高速な収束の利点により,最近のすべての手法と比較して性能が向上する。
論文参考訳（メタデータ） (2020-10-04T19:23:33Z)
MACU-Net for Semantic Segmentation of Fine-Resolution Remotely Sensed Images [11.047174552053626]
MACU-Netは、マルチスケールのスキップ接続と非対称畳み込みベースのU-Netで、微細解像度のリモートセンシング画像を提供する。本設計では,(1)低レベル・高レベルの特徴写像に含まれる意味的特徴と,(2)非対称な畳み込みブロックは,標準畳み込み層の特徴表現と特徴抽出能力を強化する。 2つのリモートセンシングデータセットで行った実験では、提案したMACU-NetがU-Net、U-NetPPL、U-Net 3+、その他のベンチマークアプローチを超越していることが示されている。
論文参考訳（メタデータ） (2020-07-26T08:56:47Z)
BiO-Net: Learning Recurrent Bi-directional Connections for Encoder-Decoder Architecture [82.64881585566825]
本稿では,新たな双方向O字型ネットワーク(BiO-Net)を提案する。提案手法は,バニラU-Netおよび他の最先端手法よりも優れる。
論文参考訳（メタデータ） (2020-07-01T05:07:49Z)
KiU-Net: Towards Accurate Segmentation of Biomedical Images using Over-complete Representations [59.65174244047216]
本稿では,高次元にデータを投影するオーバーコンプリートアーキテクチャ(Ki-Net)を提案する。このネットワークは、U-Netで拡張されると、小さな解剖学的ランドマークを分割する場合に大幅に改善される。早期新生児の2次元超音波による脳解剖学的セグメント化の課題について検討した。
論文参考訳（メタデータ） (2020-06-08T18:59:24Z)
DoubleU-Net: A Deep Convolutional Neural Network for Medical Image Segmentation [1.6416058750198184]
DoubleU-Netは2つのU-Netアーキテクチャの組み合わせである。 4つの医用セグメンテーションデータセットを用いてDoubleU-Netを評価した。
論文参考訳（メタデータ） (2020-06-08T18:38:24Z)

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。