論文の概要: Self-Normalized Density Map (SNDM) for Counting Microbiological Objects

• arxiv url: http://arxiv.org/abs/2203.09474v1
• Date: Tue, 15 Mar 2022 20:22:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-18 13:05:18.825679
• Title: Self-Normalized Density Map (SNDM) for Counting Microbiological Objects
• Title（参考訳）: 微生物の自己正規化密度マップ(SNDM)
• Authors: Krzysztof M. Graczyk, Jaros{\l}aw Paw{\l}owski, Sylwia Majchrowska, Tomasz Golan
• Abstract要約: 画像上の微生物学的対象を数えるための密度マップ (DM) アプローチについて, 詳しく検討した。 ディープニューラルネットワークの統計手法としてブートストラップとモンテカルロ(MC)ドロップアウトがある。 SNDM(Self-Normalized Density Map)と呼ばれる改良されたネットワークモデルは、画像内のオブジェクトの総数を正確に予測するために、出力密度マップを自身で修正することができる。
• 参考スコア（独自算出の注目度）: 10.323063834827416
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The statistical properties of the density map (DM) approach to counting microbiological objects on images are studied in detail. The DM is given by U$^2$-Net. Two statistical methods for deep neural networks are utilized: the bootstrap and the Monte Carlo (MC) dropout. The detailed analysis of the uncertainties for the DM predictions leads to a deeper understanding of the DM model's deficiencies. Based on our investigation, we propose a self-normalization module in the network. The improved network model, called Self-Normalized Density Map (SNDM), can correct its output density map by itself to accurately predict the total number of objects in the image. The SNDM architecture outperforms the original model. Moreover, both statistical frameworks -- bootstrap and MC dropout -- have consistent statistical results for SNDM, which were not observed in the original model.
• Abstract（参考訳）: 画像上の微生物学的対象を数えるための密度マップ(DM)手法の統計的性質を詳細に研究した。 DMはU$^2$-Netで与えられる。 ディープニューラルネットワークにはブートストラップとモンテカルロ(mc)ドロップアウトという2つの統計的手法が用いられている。 dm予測の不確実性に関する詳細な分析は、dmモデルの欠陥をより深く理解することにつながる。 本研究では,ネットワークにおける自己正規化モジュールを提案する。 SNDM(Self-Normalized Density Map)と呼ばれる改良されたネットワークモデルは、画像内のオブジェクトの総数を正確に予測するために、出力密度マップを自身で修正することができる。 SNDMアーキテクチャはオリジナルのモデルより優れている。 さらに、bootstrapとmc dropoutの両方の統計フレームワークは、元のモデルでは観測されなかったsndmの一貫した統計結果を持っている。

関連論文リスト

• Approximations to the Fisher Information Metric of Deep Generative Models for Out-Of-Distribution Detection [2.3749120526936465]
  深層生成モデルは、訓練されたデータよりも高いログ類似度をOODデータに対して常に推測することを示す。 我々は,OODデータに対して,トレーニングデータよりも勾配基準が大きいという単純な直観に基づいて,OOD検出のための深部生成モデルのパラメータに関するデータ点の勾配を利用する。 実験結果から,本手法は,ほとんどの深層生成モデルと画像データセットのペアリングにおいて,典型性試験よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-03-03T11:36:35Z)
• Bring Metric Functions into Diffusion Models [145.71911023514252]
  DDPM(Denoising Diffusion Probabilistic Model)を改善するカスケード拡散モデル(Cas-DM)を導入する。 提案した拡散モデルバックボーンはLPIPS損失の有効利用を可能にし,最先端画像品質(FID, sFID, IS)を実現する。 実験結果から,提案した拡散モデルバックボーンはLPIPS損失の有効利用を可能にし,最新画像品質(FID, sFID, IS)につながることが示された。
  論文  参考訳（メタデータ） (2024-01-04T18:55:01Z)
• Deep learning for diffusion in porous media [0.0]
  我々は多孔質媒体の基本特性を予測するために畳み込みニューラルネットワーク(CNN)を採用している。 2つの異なるメディアタイプが考慮されている: 1つは砂の包装を模倣し、もう1つは生体組織の細胞外空間に由来するシステムを模倣する。
  論文  参考訳（メタデータ） (2023-04-04T20:17:44Z)
• Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection [55.028065567756066]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。 本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。 バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。 We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
  論文  参考訳（メタデータ） (2022-06-26T16:00:22Z)
• Diffusion Causal Models for Counterfactual Estimation [18.438307666925425]
  本稿では,観測画像データから因果構造を推定する作業について考察する。 Diff-SCMは,近年の発電エネルギーモデルの発展を基盤とした構造因果モデルである。 Diff-SCMはMNISTデータに基づくベースラインよりも現実的で最小限のデファクトアルを生成しており、ImageNetデータにも適用可能である。
  論文  参考訳（メタデータ） (2022-02-21T12:23:01Z)
• Adaptive Context-Aware Multi-Modal Network for Depth Completion [107.15344488719322]
  我々は,観測された空間コンテキストを捉えるために,グラフ伝搬を採用することを提案する。 次に、注意機構を伝搬に適用し、ネットワークが文脈情報を適応的にモデル化することを奨励する。 最後に、抽出したマルチモーダル特徴を効果的に活用するための対称ゲート融合戦略を導入する。 本稿では,Adaptive Context-Aware Multi-Modal Network (ACMNet) を2つのベンチマークで評価した。
  論文  参考訳（メタデータ） (2020-08-25T06:00:06Z)
• Uncertain-DeepSSM: From Images to Probabilistic Shape Models [0.0]
  DeepSSMは、非セグメント画像から直接統計的形状表現を抽出するエンドツーエンドのディープラーニングアプローチである。 DeepSSMは、視覚的に正確には仮定できないような、不確実な形状の推定を生成する。 本研究では,ネットワークを適応させて固有入力分散を予測することにより,データ依存型アレータティック不確実性の両方を定量化する統一モデルとして,Uncertain-DeepSSMを提案する。
  論文  参考訳（メタデータ） (2020-07-13T17:18:21Z)
• M2Net: Multi-modal Multi-channel Network for Overall Survival Time Prediction of Brain Tumor Patients [151.4352001822956]
  生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。 既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。 我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-01T05:21:37Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。