論文の概要: $\ell_1$DecNet+: A new architecture framework by $\ell_1$ decomposition and iteration unfolding for sparse feature segmentation
- arxiv url: http://arxiv.org/abs/2203.02690v2
- Date: Sun, 16 Jun 2024 02:15:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-20 05:43:26.253690
- Title: $\ell_1$DecNet+: A new architecture framework by $\ell_1$ decomposition and iteration unfolding for sparse feature segmentation
- Title（参考訳）: $\ell_1$DecNet+: $\ell_1$分解と反復展開によるスパース機能セグメンテーションのための新しいアーキテクチャフレームワーク
- Authors: Yumeng Ren, Yiming Gao, Chunlin Wu, Xue-cheng Tai,
- Abstract要約: $ell_$DecNetは、$ell_$関連スパース正規化を組み込んだ変動分解モデルから派生した、展開されていないネットワークである。
我々は$ell_$DecNet+を開発し、 $ell_$DecNetと抽出されたスパース機能を操作するセグメンテーションモジュールからなる学習可能なアーキテクチャフレームワークを開発した。
医療用画像処理における網膜血管分割と,産業用異常識別における舗装き裂検出の2つの課題に対する $ell_$DecNet+ の有効性を検討した。
- 参考スコア（独自算出の注目度）: 4.150107303000611
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: $\ell_1$ based sparse regularization plays a central role in compressive sensing and image processing. In this paper, we propose $\ell_1$DecNet, as an unfolded network derived from a variational decomposition model incorporating $\ell_1$ related sparse regularization and solved by scaled alternating direction method of multipliers (ADMM). $\ell_1$DecNet effectively decomposes an input image into a sparse feature and a learned dense feature, and thus helps the subsequent sparse feature related operations. Based on this, we develop $\ell_1$DecNet+, a learnable architecture framework consisting of our $\ell_1$DecNet and a segmentation module which operates over extracted sparse features instead of original images. This architecture combines well the benefits of mathematical modeling and data-driven approaches. To our best knowledge, this is the first study to incorporate mathematical image prior into feature extraction in segmentation network structures. Moreover, our $\ell_1$DecNet+ framework can be easily extended to 3D case. We evaluate the effectiveness of $\ell_1$DecNet+ on two commonly encountered sparse segmentation tasks: retinal vessel segmentation in medical image processing and pavement crack detection in industrial abnormality identification. Experimental results on different datasets demonstrate that, our $\ell_1$DecNet+ architecture with various lightweight segmentation modules can achieve equal or better performance than their enlarged versions respectively. This leads to especially practical advantages on resource-limited devices.
- Abstract（参考訳）: $\ell_1$ベースのスパース正規化は圧縮センシングと画像処理において中心的な役割を果たす。
本稿では、$\ell_1$DecNetを、$\ell_1$関連スパース正規化を組み込んだ変分分解モデルから導出し、乗算器のスケール的交互方向法(ADMM)により解決した、展開されたネットワークとして提案する。
$\ell_1$DecNetは、入力画像をスパース機能と学習された高密度機能に効果的に分解し、その後のスパース機能関連の操作を支援する。
これに基づいて、$\ell_1$DecNet+という学習可能なアーキテクチャフレームワークを開発し、オリジナルの画像ではなく、抽出されたスパース機能を操作するセグメンテーションモジュールを構築した。
このアーキテクチャは、数学的モデリングとデータ駆動アプローチの利点をうまく組み合わせている。
我々の知る限り、セグメント化ネットワーク構造における特徴抽出に先立って数学的イメージを組み込んだ最初の研究である。
さらに、$\ell_1$DecNet+フレームワークは簡単に3Dケースに拡張できます。
医療用画像処理における網膜血管分割と,産業用異常識別における舗装き裂検出の2つの課題に対して,$\ell_1$DecNet+の有効性を評価した。
異なるデータセットに対する実験結果から、さまざまな軽量セグメンテーションモジュールを備えた $\ell_1$DecNet+ アーキテクチャは、拡張バージョンよりもそれぞれ等しく、より優れたパフォーマンスを達成できることが示された。
これはリソース制限されたデバイスにおいて特に実用上の優位性をもたらす。
関連論文リスト
- SPPNet: A Single-Point Prompt Network for Nuclei Image Segmentation [6.149725843029721]
核画像分割のためのシングルポイントプロンプトネットワークを提案する。
オリジナル画像エンコーダを軽量な視覚変換器に置き換える。
提案モデルはMoNuSeg-2018データセットで評価される。
論文 参考訳（メタデータ） (2023-08-23T16:13:58Z) - Simplifying and Understanding State Space Models with Diagonal Linear
RNNs [56.33053691749856]
本研究は、離散化ステップを解消し、バニラ対角線形RNNに基づくモデルを提案する。
概念的にはるかに単純であるにもかかわらず、$mathrmDLR$は以前提案したSSMと同じくらいのパフォーマンスを示す。
また、合成シーケンス・ツー・シーケンス・タスクのスイートによって、SSMとアテンションベースモデルの表現性も特徴付ける。
論文 参考訳（メタデータ） (2022-12-01T18:53:06Z) - Pushing the Efficiency Limit Using Structured Sparse Convolutions [82.31130122200578]
本稿では,画像の固有構造を利用して畳み込みフィルタのパラメータを削減する構造的スパース畳み込み(SSC)を提案する。
我々は、SSCが効率的なアーキテクチャにおける一般的なレイヤ(奥行き、グループ回り、ポイント回りの畳み込み)の一般化であることを示す。
SSCに基づくアーキテクチャは、CIFAR-10、CIFAR-100、Tiny-ImageNet、ImageNet分類ベンチマークのベースラインと比較して、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2022-10-23T18:37:22Z) - R2U++: A Multiscale Recurrent Residual U-Net with Dense Skip Connections
for Medical Image Segmentation [0.5735035463793008]
本稿では,新しいU-Netベースの医用画像セグメンテーションアーキテクチャR2U++を提案する。
提案したアーキテクチャでは, 単純な畳み込みバックボーンを, より深い再帰的な畳み込みブロックに置き換える。
エンコーダとデコーダのセマンティックギャップは、濃密なスキップ経路によって減少する。
論文 参考訳（メタデータ） (2022-06-03T19:42:44Z) - Deep ensembles in bioimage segmentation [74.01883650587321]
本研究では,畳み込みニューラルネットワーク(CNN)のアンサンブルを提案する。
アンサンブル法では、多くの異なるモデルが訓練され、分類に使用され、アンサンブルは単一分類器の出力を集約する。
提案するアンサンブルは,DeepLabV3+とHarDNet環境を用いて,異なるバックボーンネットワークを組み合わせることで実現されている。
論文 参考訳（メタデータ） (2021-12-24T05:54:21Z) - Dep-$L_0$: Improving $L_0$-based Network Sparsification via Dependency
Modeling [6.081082481356211]
L_0$正規化によるディープニューラルネットワークのトレーニングは、ネットワークプルーニングやスパシフィケーションの顕著なアプローチのひとつだ。
本稿では,ImageNet上のResNet50のような大規模学習タスクに対して一貫性のない処理を行うことを示す。
本稿では,多層パーセプトロンとして効果的にモデル化できるバイナリゲートの依存性モデリングを提案する。
論文 参考訳（メタデータ） (2021-06-30T19:33:35Z) - Deep ensembles based on Stochastic Activation Selection for Polyp
Segmentation [82.61182037130406]
本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。
イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。
我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
論文 参考訳（メタデータ） (2021-04-02T02:07:37Z) - Improving Robustness and Generality of NLP Models Using Disentangled
Representations [62.08794500431367]
スーパービジョンニューラルネットワークはまず入力$x$を単一の表現$z$にマップし、次に出力ラベル$y$にマッピングする。
本研究では,非交叉表現学習の観点から,NLPモデルの堅牢性と汎用性を改善する手法を提案する。
提案した基準でトレーニングしたモデルは、広範囲の教師付き学習タスクにおいて、より堅牢性とドメイン適応性を向上することを示す。
論文 参考訳（メタデータ） (2020-09-21T02:48:46Z) - Structured Convolutions for Efficient Neural Network Design [65.36569572213027]
畳み込みニューラルネットワーク構築ブロックのテクスト単純構造における冗長性を利用してモデル効率に取り組む。
この分解が2Dカーネルや3Dカーネルだけでなく、完全に接続されたレイヤにも適用可能であることを示す。
論文 参考訳（メタデータ） (2020-08-06T04:38:38Z) - U$^2$-Net: Going Deeper with Nested U-Structure for Salient Object
Detection [6.071985784990975]
我々は、単純だが強力な深層ネットワークアーキテクチャU$2$-Netを設計し、SOD(Healient Object Detection)を設計する。
U$2$-Netのアーキテクチャは、2レベルネストされたU構造です。
提案したアーキテクチャの2つのモデル、U$2$-Net (176.3 MB, 30 FPS on GTX 1080Ti GPU)とU$2$-Net$dagger$ (4.7 MB, 40 FPS)をインスタンス化する。
論文 参考訳（メタデータ） (2020-05-18T18:08:26Z)
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。
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。