論文の概要: Improved Counting and Localization from Density Maps for Object
Detection in 2D and 3D Microscopy Imaging
- arxiv url: http://arxiv.org/abs/2203.15691v1
- Date: Tue, 29 Mar 2022 15:54:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-30 13:51:35.411471
- Title: Improved Counting and Localization from Density Maps for Object
Detection in 2D and 3D Microscopy Imaging
- Title（参考訳）: 2次元・3次元顕微鏡像における物体検出のための密度マップからのカウントと位置推定の改善
- Authors: Shijie Li, Thomas Ach, Guido Gerig
- Abstract要約: 密度マップから対象をカウント・ローカライズする別の方法を提案する。
その結果,2次元および3次元顕微鏡データにおけるオブジェクトのカウントとローカライゼーションの性能が向上した。
- 参考スコア（独自算出の注目度）: 4.746727774540763
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Object counting and localization are key steps for quantitative analysis in
large-scale microscopy applications. This procedure becomes challenging when
target objects are overlapping, are densely clustered, and/or present fuzzy
boundaries. Previous methods producing density maps based on deep learning have
reached a high level of accuracy for object counting by assuming that object
counting is equivalent to the integration of the density map. However, this
model fails when objects show significant overlap regarding accurate
localization. We propose an alternative method to count and localize objects
from the density map to overcome this limitation. Our procedure includes the
following three key aspects: 1) Proposing a new counting method based on the
statistical properties of the density map, 2) optimizing the counting results
for those objects which are well-detected based on the proposed counting
method, and 3) improving localization of poorly detected objects using the
proposed counting method as prior information. Validation includes processing
of microscopy data with known ground truth and comparison with other models
that use conventional processing of the density map. Our results show improved
performance in counting and localization of objects in 2D and 3D microscopy
data. Furthermore, the proposed method is generic, considering various
applications that rely on the density map approach. Our code will be released
post-review.
- Abstract（参考訳）: オブジェクトのカウントとローカライゼーションは、大規模顕微鏡アプリケーションにおける定量分析の鍵となるステップである。
この手順は、ターゲットオブジェクトが重なり合ったり、密集したり、ファジィ境界が現在ある場合に困難になる。
これまでの深層学習に基づく密度マップ作成法は,オブジェクトカウントが密度マップの統合と等価であると仮定して,オブジェクトカウントの精度が高水準に達している。
しかし、このモデルは、オブジェクトが正確なローカライゼーションに関して大きな重複を示すときに失敗する。
この制限を克服するために、密度マップからオブジェクトを数えてローカライズする方法を提案する。
私たちの手順は以下の3つの重要な側面を含む。
1)密度マップの統計的性質に基づく新しい計数法の提案
2 提案した計数方法に基づいて検出された対象物の計数結果を最適化し、
3) 提案手法を先行情報として, 検出不良物体の局在性を改善する。
検証には、既知の基底真理を持つ顕微鏡データの処理と、従来の密度マップの処理を用いた他のモデルとの比較が含まれる。
その結果,2次元および3次元顕微鏡データにおけるオブジェクトのカウントとローカライゼーションの性能が向上した。
さらに,密度マップアプローチに依拠する各種応用を考えると,提案手法は汎用的である。
私たちのコードはレビュー後にリリースされます。
関連論文リスト
- Sequential transport maps using SoS density estimation and
$\alpha$-divergences [0.6554326244334866]
輸送ベース密度推定法は, 近似密度から試料を効率よく生成できるため, 関心が高まりつつある。
我々は、合成されたKnothe-Rosenblatt (KR) マップの列の上に構築し、中間密度を近似する Sum-of-Squareimats (SoS) 密度と$alpha$-divergences の利用を探索する。
ベイジアン推論問題や教師なし学習タスクなど,いくつかのベンチマークで数値的に手法を実証する。
論文 参考訳（メタデータ） (2024-02-27T23:52:58Z) - SemanticTopoLoop: Semantic Loop Closure With 3D Topological Graph Based
on Quadric-Level Object Map [0.8158530638728501]
ループクロージャはSLAMの重要なコンポーネントの1つです。
バッグ・オブ・ワード(英語版)モデルのような伝統的な外見に基づく手法は、しばしば局所的な2D特徴とトレーニングデータの量によって制限される。
論文 参考訳（メタデータ） (2023-11-06T02:30:30Z) - Efficient Map Sparsification Based on 2D and 3D Discretized Grids [47.22997560184043]
マップが大きくなると、より多くのメモリが必要になり、ローカライゼーションが非効率になる。
以前の地図スペーシフィケーション法は、選択されたランドマークの均一分布を強制するために混合整数計画において二次項を追加する。
本稿では,効率的な線形形式で地図スペーシフィケーションを定式化し,2次元離散格子に基づく一様分布ランドマークを選択する。
論文 参考訳（メタデータ） (2023-03-20T05:49:14Z) - Rethinking Spatial Invariance of Convolutional Networks for Object
Counting [119.83017534355842]
局所連結ガウス核を用いて元の畳み込みフィルタを置き換え、密度写像の空間位置を推定する。
従来の研究から着想を得て,大規模なガウス畳み込みの近似を好意的に実装するために,翻訳不変性を伴う低ランク近似を提案する。
提案手法は,他の最先端手法を著しく上回り,物体の空間的位置の有望な学習を実現する。
論文 参考訳（メタデータ） (2022-06-10T17:51:25Z) - ImpDet: Exploring Implicit Fields for 3D Object Detection [74.63774221984725]
我々は、境界ボックス回帰を暗黙の関数として見る新しい視点を導入する。
これは、Implicit DetectionまたはImpDetと呼ばれる提案されたフレームワークにつながります。
我々のImpDetは、異なる局所的な3次元空間の点に特定の値を割り当て、高品質な境界を生成することができる。
論文 参考訳（メタデータ） (2022-03-31T17:52:12Z) - Gaussian map predictions for 3D surface feature localisation and
counting [5.634825161148484]
本稿では,3次元表面特徴量と正確な位置を推定するためにガウス写像表現を用いることを提案する。
本手法を2次元形状表現に投影可能な物体の3次元球面クラスに適用する。
本手法を,果実品質指標として用いたイチゴアチェインの表現法として実用的に利用した。
論文 参考訳（メタデータ） (2021-12-07T14:43:14Z) - Objects are Different: Flexible Monocular 3D Object Detection [87.82253067302561]
そこで本研究では,乱れたオブジェクトを明示的に分離し,オブジェクト深度推定のための複数のアプローチを適応的に組み合わせたモノクル3次元オブジェクト検出のためのフレキシブルなフレームワークを提案する。
実験の結果,本手法はkittiベンチマークテストセットにおいて,中等度レベルが27%,硬度が30%と,最先端法を27%上回った。
論文 参考訳（メタデータ） (2021-04-06T07:01:28Z) - Counting from Sky: A Large-scale Dataset for Remote Sensing Object
Counting and A Benchmark Method [52.182698295053264]
リモートセンシング画像から高密度物体をカウントすることに興味がある。自然界における物体のカウントと比較すると、このタスクは、大規模変動、複雑な乱れ背景、配向仲裁といった要因において困難である。
これらの課題に対処するために,我々はまず,4つの重要な地理的対象を含むリモートセンシング画像を用いた大規模オブジェクトカウントデータセットを構築した。
次に、入力画像の密度マップを生成する新しいニューラルネットワークを設計することで、データセットをベンチマークする。
論文 参考訳（メタデータ） (2020-08-28T03:47:49Z) - A Self-Training Approach for Point-Supervised Object Detection and
Counting in Crowds [54.73161039445703]
本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。
トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。
実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
論文 参考訳（メタデータ） (2020-07-25T02:14:42Z) - Rethinking Localization Map: Towards Accurate Object Perception with
Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。
特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文 参考訳（メタデータ） (2020-06-09T12:35:55Z)
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。