論文の概要: IDmUNet: A new image decomposition induced network for sparse feature
segmentation
- arxiv url: http://arxiv.org/abs/2203.02690v1
- Date: Sat, 5 Mar 2022 09:17:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-08 18:36:02.532982
- Title: IDmUNet: A new image decomposition induced network for sparse feature
segmentation
- Title(参考訳): IDmUNet:スパース特徴分割のための新しい画像分解誘導ネットワーク
- Authors: Yumeng Ren (1), Yiming Gao (2), Chunlin Wu (1), Xue-cheng Tai (3) ((1)
School of Mathematical Sciences, Nankai University, Tianjin, China (2)
College of Science, Nanjing University of Aeronautics and Astronautics,
Nanjing, China (3) Department of Mathematics, Hong Kong Baptist University,
China )
- Abstract要約: UNetとその変種は、医用画像セグメンテーションの最も一般的な方法の一つである。
我々はタスク指向のネットワーク設計を行い、対象のオブジェクトを疎に分散させ、背景を数学的にモデル化することは困難である。
このIDmUNetは、構造設計における事前および深部展開の手法のため、数学的モデリングとデータ駆動アプローチの利点を組み合わせたものである。
- 参考スコア(独自算出の注目度): 5.038878606043249
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: UNet and its variants are among the most popular methods for medical image
segmentation. Despite their successes in task generality, most of them consider
little mathematical modeling behind specific applications. In this paper, we
focus on the sparse feature segmentation task and make a task-oriented network
design, in which the target objects are sparsely distributed and the background
is hard to be mathematically modeled. We start from an image decomposition
model with sparsity regularization, and propose a deep unfolding network,
namely IDNet, based on an iterative solver, scaled alternating direction method
of multipliers (scaled-ADMM). The IDNet splits raw inputs into double feature
layers. Then a new task-oriented segmentation network is constructed, dubbed as
IDmUNet, based on the proposed IDNets and a mini-UNet. Because of the sparsity
prior and deep unfolding method in the structure design, this IDmUNet combines
the advantages of mathematical modeling and data-driven approaches. Firstly,
our approach has mathematical interpretability and can achieve favorable
performance with far fewer learnable parameters. Secondly, our IDmUNet is
robust in a simple end-to-end training with explainable behaviors. In the
experiments of retinal vessel segmentation (RVS), IDmUNet produces the
state-of-the-art results with only 0.07m parameters, whereas SA-UNet, one of
the latest variants of UNet, contains 0.54m and the original UNet 31.04m.
Moreover, the training procedure of our network converges faster without
overfitting phenomenon. This decomposition-based network construction strategy
can be generalized to other problems with mathematically clear targets and
complicated unclear backgrounds.
- Abstract(参考訳): unetとその変種は、医用画像セグメンテーションの最も一般的な方法である。
タスク一般性の成功にもかかわらず、そのほとんどは特定のアプリケーションの背後にある数学的モデリングをほとんど考慮していない。
本稿では,スパース特徴分節タスクに着目し,対象対象物を疎分散し,背景を数学的にモデル化し難いタスク指向ネットワーク設計を行う。
本稿では,空間正規化を伴う画像分解モデルから始め,反復解法に基づく深層展開ネットワークであるIDNet,乗算器のスケール化方向法(スケール化ADMM)を提案する。
IDNetは生の入力を二重の機能層に分割する。
次に、提案したIDNetとミニUNetに基づいて、IDmUNetと呼ばれるタスク指向セグメンテーションネットワークを構築する。
このIDmUNetは、構造設計における事前および深部展開の手法のため、数学的モデリングとデータ駆動アプローチの利点を組み合わせたものである。
第一に,本手法は数学的解釈可能性が高く,学習可能なパラメータをはるかに少なくして良好な性能が得られる。
第二に、IDmUNetは説明可能な振る舞いを持つ単純なエンドツーエンドのトレーニングで堅牢です。
網膜血管セグメンテーション(RVS)の実験では、IDmUNetは0.07mのパラメータしか持たず、SA-UNetは0.54mと元のUNet 31.04mを含む。
さらに,ネットワークのトレーニング手順はオーバーフィッティング現象を伴わずに高速に収束する。
この分解に基づくネットワーク構築戦略は、数学的に明確な目標と複雑な背景を持つ他の問題に一般化することができる。
関連論文リスト
- Early Fusion of Features for Semantic Segmentation [10.362589129094975]
本稿では,効率的な画像分割を実現するために,分類器ネットワークとリバースHRNetアーキテクチャを統合する新しいセグメンテーションフレームワークを提案する。
私たちの手法は、Mapillary Vistas、Cityscapes、CamVid、COCO、PASCAL-VOC2012など、いくつかのベンチマークデータセットで厳格にテストされています。
その結果,画像解析における様々な応用の可能性を示し,高いセグメンテーション精度を実現する上で,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2024-02-08T22:58:06Z) - Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。
本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。
本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文 参考訳(メタデータ) (2023-03-16T21:06:13Z) - Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。
SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。
その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
論文 参考訳(メタデータ) (2021-12-15T09:50:25Z) - EADNet: Efficient Asymmetric Dilated Network for Semantic Segmentation [8.449677920206817]
cityscapesデータセットにおける実験結果から,本提案手法は,軽量セマンティクスセグメンテーションネットワークにおいて,最小パラメータ数(わずか 0.35m)で67.1のセグメンテーションmiouを実現する。
論文 参考訳(メタデータ) (2021-03-16T08:46:57Z) - Manifold Regularized Dynamic Network Pruning [102.24146031250034]
本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。
提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
論文 参考訳(メタデータ) (2021-03-10T03:59:03Z) - Decoupled and Memory-Reinforced Networks: Towards Effective Feature
Learning for One-Step Person Search [65.51181219410763]
歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。
現在のワンステップアプローチには2つの大きな課題があります。
本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
論文 参考訳(メタデータ) (2021-02-22T06:19:45Z) - SOSD-Net: Joint Semantic Object Segmentation and Depth Estimation from
Monocular images [94.36401543589523]
これら2つのタスクの幾何学的関係を利用するための意味的対象性の概念を紹介します。
次に, 対象性仮定に基づくセマンティックオブジェクト・深さ推定ネットワーク(SOSD-Net)を提案する。
私たちの知識を最大限に活用するために、SOSD-Netは同時単眼深度推定とセマンティックセグメンテーションのためのジオメトリ制約を利用する最初のネットワークです。
論文 参考訳(メタデータ) (2021-01-19T02:41:03Z) - Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。
PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
論文 参考訳(メタデータ) (2020-07-07T03:36:28Z) - Weakly Supervised Instance Segmentation by Deep Community Learning [39.18749732409763]
複数のタスクによる深層コミュニティ学習に基づく弱教師付きインスタンスセグメンテーションアルゴリズムを提案する。
我々は、統合されたディープニューラルネットワークアーキテクチャを設計することでこの問題に対処する。
提案アルゴリズムは、弱教師付き設定における最先端性能を実現する。
論文 参考訳(メタデータ) (2020-01-30T08:35:42Z)
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。