論文の概要: ORCNet: A context-based network to simultaneously segment the ocular region components

• arxiv url: http://arxiv.org/abs/2204.07456v1
• Date: Fri, 15 Apr 2022 13:31:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-18 12:15:26.704491
• Title: ORCNet: A context-based network to simultaneously segment the ocular region components
• Title（参考訳）: orcnet: 眼領域コンポーネントを同時に分割するコンテキストベースのネットワーク
• Authors: Diego Rafael Lucio, Luiz A. Zanlorensi, Yandre Maldonado e Gomes da Costa and David Menotti
• Abstract要約: 我々は、Ocular Region Context Network (ORCNet)という新しいコンテキストベースのセグメンテーション手法を提案する。 PCロスは、グラウンド真実とセグメンテッドマスクとのパーセンテージ差値を用いて、ネットワークのセグメンテーション損失を罰する。 提案手法は,iris, sclera, ALL (iris + sclera) セグメンテーションの評価シナリオにおいて有望な結果を得た。
• 参考スコア（独自算出の注目度）: 2.129671134410228
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate extraction of the Region of Interest is critical for successful ocular region-based biometrics. In this direction, we propose a new context-based segmentation approach, entitled Ocular Region Context Network (ORCNet), introducing a specific loss function, i.e., he Punish Context Loss (PC-Loss). The PC-Loss punishes the segmentation losses of a network by using a percentage difference value between the ground truth and the segmented masks. We obtain the percentage difference by taking into account Biederman's semantic relationship concepts, in which we use three contexts (semantic, spatial, and scale) to evaluate the relationships of the objects in an image. Our proposal achieved promising results in the evaluated scenarios: iris, sclera, and ALL (iris + sclera) segmentations, utperforming the literature baseline techniques. The ORCNet with ResNet-152 outperforms the best baseline (EncNet with ResNet-152) on average by 2.27%, 28.26% and 6.43% in terms of F-Score, Error Rate and Intersection Over Union, respectively. We also provide (for research purposes) 3,191 manually labeled masks for the MICHE-I database, as another contribution of our work.
• Abstract（参考訳）: 興味領域の正確な抽出は、眼領域に基づく生体計測の成功に不可欠である。 そこで本研究では,Ocular Region Context Network (ORCNet) と題するコンテキストベースセグメンテーション手法を提案し,特定の損失関数,すなわちPunish Context Loss (PC-Loss)を提案する。 pcロスは、グランド真理とセグメンテーションマスクとのパーセンテージ差値を用いてネットワークのセグメンテーション損失を罰する。 画像中の対象の関係性を評価するために,3つの文脈(概念的,空間的,スケール)を用いて,biedermanの意味的関係の概念を考慮し,パーセンテージ差を求める。 提案手法は,アイリス,スクレラ,all(アイリス+スクレラ)セグメンテーションの2つの評価シナリオにおいて有望な結果を得た。 ORCNetとResNet-152は、平均2.27%、28.26%、および6.43%で、それぞれFスコア、エラーレート、インターセクションオーバーユニオンで最高のベースライン(EncNetとResNet-152)を上回っている。 また、miche-iデータベースに(研究目的で)3,191個のラベル付きマスクを手作業で提供しています。

関連論文リスト

• Devil is in the Queries: Advancing Mask Transformers for Real-world Medical Image Segmentation and Out-of-Distribution Localization [40.013449382899566]
  信頼できる医療AIアルゴリズムは、臨床的に危険な損傷を避けるために、尾の条件でその効果を示すべきである。 我々は、意味的セグメンテーションをソフトクラスタ割り当てとして定式化するために、Mask Transformerにおけるオブジェクトクエリの概念を採用する。 本フレームワークは膵腫瘍と肝腫瘍の分節という2つの実世界の分節タスクでテストされる。
  論文  参考訳（メタデータ） (2023-04-01T03:24:03Z)
• False Negative Reduction in Semantic Segmentation under Domain Shift using Depth Estimation [5.837881923712394]
  最先端のディープニューラルネットワークはセマンティックセグメンテーションにおいて優れた性能を示す。 オープンワールドのシナリオは、自動化運転のような安全関連のアプリケーションでは危険である不正確な予測を引き起こします。 単眼深度推定を用いた意味的セグメンテーション予測を強化し,非検出対象の発生を減らすことでセグメンテーションを改善する。
  論文  参考訳（メタデータ） (2022-07-07T18:02:29Z)
• Unsupervised Part Discovery from Contrastive Reconstruction [90.88501867321573]
  自己監督型視覚表現学習の目標は、強く伝達可能な画像表現を学習することである。 対象部分の発見とセグメンテーションに対する教師なしアプローチを提案する。 本手法は, 細粒度, 視覚的に異なるカテゴリ間でセマンティックな部分を生成する。
  論文  参考訳（メタデータ） (2021-11-11T17:59:42Z)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)
• Boundary Knowledge Translation based Reference Semantic Segmentation [62.60078935335371]
  視覚境界知識翻訳を行うための参照参照セグメンテーションネットワーク(Ref-Net)を導入する。 人間の認識機構にインスパイアされたRTMTMは、参照オブジェクトの特徴に基づいて、同じカテゴリオブジェクトをセグメント化するだけに考案されている。 Ref-Netは、数十の細かい注釈付きサンプルをガイダンスとして、完全に教師された6つのデータセットのメソッドと同等の結果を得る。
  論文  参考訳（メタデータ） (2021-08-01T07:40:09Z)
• CI-Net: Contextual Information for Joint Semantic Segmentation and Depth Estimation [2.8785764686013837]
  本稿では,その問題を解決するために,文脈情報(CI-Net)を注入したネットワークを提案する。 セマンティックラベルの監督により、ネットワークにはコンテキスト情報が埋め込まれており、シーンをよりよく理解することができる。 提案したCI-NetをNYU-Depth-v2およびSUN-RGBDデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-07-29T07:58:25Z)
• Residual Moment Loss for Medical Image Segmentation [56.72261489147506]
  位置情報は,対象物体の多様体構造を捉えた深層学習モデルに有効であることが証明された。 既存のほとんどの手法は、ネットワークが学習するために、位置情報を暗黙的にエンコードする。 セグメント化対象の位置情報を明示的に埋め込むために,新しい損失関数,すなわち残差モーメント(RM)損失を提案する。
  論文  参考訳（メタデータ） (2021-06-27T09:31:49Z)
• Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
  病理組織像における腺分節に対するPRS2モデルを提案する。 このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。 我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
  論文  参考訳（メタデータ） (2020-08-06T15:02:38Z)
• Joint Left Atrial Segmentation and Scar Quantification Based on a DNN with Spatial Encoding and Shape Attention [21.310508988246937]
  本稿では,左心房(LA)空洞を同時に分割し,LAの傷跡を定量化するエンド・ツー・エンドディープ・ニューラル・ネットワーク(DNN)を提案する。 提案フレームワークは,空間符号化(SE)ロスを導入することで,目標の連続的な空間情報を組み込む。 LAセグメンテーションでは、3D基本U-Netと比較して平均ハウスドルフ距離を36.4mmから20.0mmに減らした。
  論文  参考訳（メタデータ） (2020-06-23T13:55:29Z)
• CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
  少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。 相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。 PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2020-03-24T04:55:43Z)

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。