Fugu-MT 論文翻訳(概要): An application of Pixel Interval Down-sampling (PID) for dense tiny microorganism counting on environmental microorganism images

論文の概要: An application of Pixel Interval Down-sampling (PID) for dense tiny microorganism counting on environmental microorganism images

arxiv url: http://arxiv.org/abs/2204.01341v1
Date: Mon, 4 Apr 2022 09:31:16 GMT
ステータス: 処理完了
システム内更新日: 2022-04-05 23:14:15.275958
Title: An application of Pixel Interval Down-sampling (PID) for dense tiny microorganism counting on environmental microorganism images
Title（参考訳）: ピクセル間隔ダウンサンプリング(pid)の環境微生物画像への高密度微小微生物計数への応用
Authors: Jiawei Zhang, Ning Xu, Chen Li, Md Mamunur Rahaman, Yu-Dong Yao, Yu-Hao Lin, Jinghua Zhang, Tao Jiang, Wenjun Qin, Marcin Grzegorzek
Abstract要約: PID-Netはエンコーダとデコーダアーキテクチャを備えたエンドツーエンドCNNモデルである。 2448個の酵母の細胞画像でデータセットの96.97%の精度を達成している。
参考スコア（独自算出の注目度）: 28.002541490952623
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: This paper proposes a novel pixel interval down-sampling network (PID-Net) for dense tiny objects (yeast cells) counting tasks with higher accuracy. The PID-Net is an end-to-end CNN model with encoder to decoder architecture. The pixel interval down-sampling operations are concatenated with max-pooling operations to combine the sparse and dense features. It addresses the limitation of contour conglutination of dense objects while counting. Evaluation was done using classical segmentation metrics (Dice, Jaccard, Hausdorff distance) as well as counting metrics. Experimental result shows that the proposed PID-Net has the best performance and potential for dense tiny objects counting tasks, which achieves 96.97% counting accuracy on the dataset with 2448 yeast cell images. By comparing with the state-of-the-art approaches like Attention U-Net, Swin U-Net and Trans U-Net, the proposed PID-Net can segment the dense tiny objects with clearer boundaries and fewer incorrect debris, which shows the great potential of PID-Net in the task of accurate counting tasks.
Abstract（参考訳）: 本稿では,高精細度オブジェクト(酵母細胞)を高精度にカウントするための新しい画素間隔ダウンサンプリングネットワーク(PID-Net)を提案する。 PID-Netはエンコーダとデコーダアーキテクチャを備えたエンドツーエンドCNNモデルである。画素間隔のダウンサンプリング操作は、スパースと濃密な特徴を組み合わせた最大プール演算と連結される。これは、数えながら高密度物体の輪郭凝縮の制限に対処する。評価は古典的なセグメンテーションのメトリクス(Dice, Jaccard, Hausdorff 距離)とカウントのメトリクスを使用して行われた。実験の結果,提案するpid-netは密度の高い小型物体を数えるのに最適な性能とポテンシャルを示し,2448個の酵母細胞画像を用いたデータセット上で96.97%の精度が得られることがわかった。 Attention U-Net、Swin U-Net、Trans U-Netといった最先端のアプローチと比較することにより、提案したPID-Netは、細密なオブジェクトを、より明確な境界と少ない誤ったデブリで分割することができる。

関連論文リスト

Scale-Invariant Object Detection by Adaptive Convolution with Unified Global-Local Context [3.061662434597098]
本稿では,効率的なDetモデルに基づくSAC-Net(Switchable Atrous Convolutional Network)を用いたオブジェクト検出モデルを提案する。提案したSAC-Netは,マルチスケールオブジェクト検出タスクの性能向上を実現するために,低レベル機能と高レベル機能の両方の利点をカプセル化している。ベンチマークデータセットを用いた実験により,提案したSAC-Netは,精度の点で最先端モデルよりも優れた性能を示した。
論文参考訳（メタデータ） (2024-09-17T10:08:37Z)
Filling Missing Values Matters for Range Image-Based Point Cloud Segmentation [12.62718910894575]
ポイントクラウドセグメンテーション(PCS)は、ロボットの知覚とナビゲーションタスクにおいて重要な役割を果たす。大規模屋外点雲を効率的に理解するために、その範囲画像表現が一般的である。しかし、範囲画像の望ましくない欠落値は、物体の形状やパターンを損なう。この問題は、オブジェクトからコヒーレントで完全な幾何学的情報を学ぶ際に、モデルにとって困難を生じさせる。
論文参考訳（メタデータ） (2024-05-16T15:13:42Z)
Efficient Context Integration through Factorized Pyramidal Learning for Ultra-Lightweight Semantic Segmentation [1.0499611180329804]
本稿では,FPL(Facterized Pyramidal Learning)モジュールを提案する。空間ピラミッドを2つのステージに分解し,モジュール内での簡易かつ効率的な特徴融合により,悪名高いチェッカーボード効果を解決する。 FPLモジュールとFIRユニットをベースとしたFPLNetと呼ばれる超軽量リアルタイムネットワークを提案する。
論文参考訳（メタデータ） (2023-02-23T05:34:51Z)
ClusTR: Exploring Efficient Self-attention via Clustering for Vision Transformers [70.76313507550684]
本稿では,密集自己注意の代替として,コンテンツに基づくスパースアテンション手法を提案する。具体的には、合計トークン数を減少させるコンテンツベースの方法として、キーとバリュートークンをクラスタ化し、集約する。結果として得られたクラスタ化されたTokenシーケンスは、元の信号のセマンティックな多様性を保持するが、より少ない計算コストで処理できる。
論文参考訳（メタデータ） (2022-08-28T04:18:27Z)
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)
MVP-Net: Multiple View Pointwise Semantic Segmentation of Large-Scale Point Clouds [13.260488842875649]
本稿では,KNNや複雑な前/後処理を使わずに大規模屋外点クラウドを効率的に推論する,エンドツーエンドのニューラルネットワークであるMultiple View Pointwise Net,MVP-Netを提案する。数値実験により,提案したMVP-Netは,最も効率的なポイントワイドセマンティックセマンティックセグメンテーション法であるRandLA-Netの11倍高速であることがわかった。
論文参考訳（メタデータ） (2022-01-30T09:43:00Z)
Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文参考訳（メタデータ） (2021-07-06T05:08:34Z)
Fast Single-shot Ship Instance Segmentation Based on Polar Template Mask in Remote Sensing Images [7.45725819658858]
本稿では,概念的にシンプルで簡単な単一ショット畳み込みニューラルネットワーク構造を提案する。 SSS-Netと呼ばれる本手法は,対象物の中心の位置に基づいて対象物を検出する。 Airbus Ship Detection ChallengeデータセットとISAIDshipsデータセットの両方の実験によると、SSS-Netは、船のインスタンスセグメンテーションの精度と速度において、強力な競争力を持っている。
論文参考訳（メタデータ） (2020-08-28T02:38:04Z)
AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
論文参考訳（メタデータ） (2020-07-14T09:07:29Z)
JHU-CROWD++: Large-Scale Crowd Counting Dataset and A Benchmark Method [92.15895515035795]
我々は、"4,372"イメージと"1.51万"アノテーションを含む、新しい大規模非制約クラウドカウントデータセット(JHU-CROWD++)を導入する。本稿では, 残差誤差推定により, 群集密度マップを段階的に生成する新しい群集カウントネットワークを提案する。
論文参考訳（メタデータ） (2020-04-07T14:59:35Z)
NETNet: Neighbor Erasing and Transferring Network for Better Single Shot Object Detection [170.30694322460045]
我々は、ピラミッドの特徴を再設定し、スケールアウェアな特徴を探索する新しいNeighbor Erasing and Transferring(NET)メカニズムを提案する。 NETNetと呼ばれるシングルショットネットワークは、スケールアウェアなオブジェクト検出のために構築されている。
論文参考訳（メタデータ） (2020-01-18T15:21:29Z)

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。