Fugu-MT 論文翻訳(概要): ConvNeXt-backbone HoVerNet for nuclei segmentation and classification

論文の概要: ConvNeXt-backbone HoVerNet for nuclei segmentation and classification

arxiv url: http://arxiv.org/abs/2202.13560v1
Date: Mon, 28 Feb 2022 06:06:41 GMT
ステータス: 処理完了
システム内更新日: 2022-03-01 17:30:12.996530
Title: ConvNeXt-backbone HoVerNet for nuclei segmentation and classification
Title（参考訳）: 核セグメンテーションと分類のためのConvNeXtバックボーンHoVerNet
Authors: Jiachen Li, Chixin Wang, Banban Huang, Zekun Zhou
Abstract要約: まず、セマンティックセグメンテーションのためにDeeplab-v3+とSwin-Transformerを試す。ベースラインが利用可能になった後、メソッドに従ってResNetベースラインをConvNeXtoneに置き換える。検証セットの結果, チャネルオブユーズステージが著しく小さくても, mPQ+は0.04倍, マルチr2は0.0144倍の改善がみられた。
参考スコア（独自算出の注目度）: 4.140422507931706
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This manuscript gives a brief description of the algorithm used to participate in CoNIC Challenge 2022. We first try out Deeplab-v3+ and Swin-Transformer for semantic segmentation. After the baseline was made available, we follow the method in it and replace the ResNet baseline with ConvNeXtone. Results on validation set shows that even with channel ofeach stage significant smaller in number, it still improves the mPQ+ by 0.04 and multi r2 by 0.0144.
Abstract（参考訳）: この写本は、CoNIC Challenge 2022に参加するために使われたアルゴリズムを簡潔に記述している。まず、セマンティックセグメンテーションのためにDeeplab-v3+とSwin-Transformerを試す。ベースラインが利用可能になった後、メソッドに従ってResNetベースラインをConvNeXtoneに置き換える。検証セットの結果, チャネルオブユーズステージが著しく小さくても, mPQ+は0.04倍, マルチr2は0.0144倍の改善がみられた。

関連論文リスト

HoVer-UNet: Accelerating HoVerNet with UNet-based multi-class nuclei segmentation via knowledge distillation [5.580630662844736]
本稿では,核のインスタンス分割と病理組織学の分類のためのマルチブランチHoVerNetフレームワークの知識を抽出する手法であるHoVer-UNetを提案する。提案モデルは,公開PanNukeデータセットとConsepデータセットでHoVerNetに匹敵する結果を達成し,推論時間を3倍に短縮したことを示す。
論文参考訳（メタデータ） (2023-11-21T12:05:56Z)
SegViTv2: Exploring Efficient and Continual Semantic Segmentation with Plain Vision Transformers [76.13755422671822]
本稿では,エンコーダ・デコーダ・フレームワークを用いた意味的セグメンテーションのためのプレーンビジョン変換器(ViT)の能力について検討する。 Intention-to-Mask(atm)モジュールを導入し、平易なViTに有効な軽量デコーダを設計する。我々のデコーダは、様々なViTバックボーンを使用して人気のあるデコーダUPerNetより優れ、計算コストの5%程度しか消費しない。
論文参考訳（メタデータ） (2023-06-09T22:29:56Z)
1st Place Solution of The Robust Vision Challenge (RVC) 2022 Semantic Segmentation Track [67.56316745239629]
本報告では,ECCV 2022におけるロバストビジョンチャレンジのセマンティックセグメンテーション課題に対する勝利解について述べる。本手法では,エンコーダとしてFAN-B-Hybridモデルを採用し,セグメンテーションフレームワークとしてSegformerを使用している。提案手法は,マルチドメインセグメンテーションタスクの強力なベースラインとして機能し,今後の作業に役立てることができる。
論文参考訳（メタデータ） (2022-10-23T20:52:22Z)
SegNeXt: Rethinking Convolutional Attention Design for Semantic Segmentation [100.89770978711464]
セマンティックセグメンテーションのための単純な畳み込みネットワークアーキテクチャであるSegNeXtを提案する。コンボリューションアテンションは、トランスフォーマーの自己認識メカニズムよりも、文脈情報をエンコードするより効率的で効果的な方法であることを示す。
論文参考訳（メタデータ） (2022-09-18T14:33:49Z)
Video K-Net: A Simple, Strong, and Unified Baseline for Video Segmentation [85.08156742410527]
Video K-Netは、エンドツーエンドのビデオパノラマセグメンテーションのためのフレームワークである。学習可能なカーネルのグループを通じてイメージセグメンテーションを統一する。 Video K-Netが"things"と"stuff"を同時にセグメンテーションし追跡することを学ぶ
論文参考訳（メタデータ） (2022-04-10T11:24:47Z)
UNeXt: MLP-based Rapid Medical Image Segmentation Network [80.16644725886968]
UNetとその最新の拡張であるTransUNetは、ここ数年で主要な医療画像分割手法である。画像分割のための畳み込み多層パーセプトロンネットワークUNeXtを提案する。パラメータ数を72倍に減らし,計算複雑性を68倍に減らし,推論速度を10倍に改善し,セグメンテーション性能も向上した。
論文参考訳（メタデータ） (2022-03-09T18:58:22Z)
CoNIC Solution [3.0895898827758552]
本稿では,CoNICコンペティションで使用する2段階パイプラインを提案する。元のベースライン法と類似したモデル: HoVerNet をセグメント化モデルとして採用し,分類結果を微調整する新しい分類モデルを開発する。
論文参考訳（メタデータ） (2022-03-04T06:41:40Z)
UCP: Uniform Channel Pruning for Deep Convolutional Neural Networks Compression and Acceleration [24.42067007684169]
深部CNNを創出するための一様チャネルプルーニング(UCP)手法を提案する。それらに関連する畳み込みカーネルを含む重要でないチャネルは直接プルーニングされる。 CIFAR-10, CIFAR-100, ILSVRC-2012 を用いて画像分類を行った。
論文参考訳（メタデータ） (2020-10-03T01:51:06Z)
Is Each Layer Non-trivial in CNN? [11.854634156817642]
畳み込みニューラルネットワーク(CNN)モデルは、多くの分野で大きな成功を収めている。 ResNetの出現により、実際に使われているネットワークはより深くなりつつある。トレーニングセット上でネットワークをトレーニングした後、ネットワーク畳み込みカーネルをゼロに置き換え、テストセット上で結果モデルをテストする。
論文参考訳（メタデータ） (2020-09-09T02:17:49Z)
ZeroQ: A Novel Zero Shot Quantization Framework [83.63606876854168]
量子化は、ニューラルネットワークの推論時間とメモリフットプリントを削減するための有望なアプローチである。既存のゼロショット量子化法では、異なるエポックを用いてこの問題に対処するが、性能は低下する。本稿では,この問題に対処する新しいゼロショット量子化フレームワークであるZeroQを提案する。
論文参考訳（メタデータ） (2020-01-01T23:58:26Z)

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。