論文の概要: Invisible-to-Visible: Privacy-Aware Human Segmentation using Airborne
Ultrasound via Collaborative Learning Probabilistic U-Net
- arxiv url: http://arxiv.org/abs/2205.05293v1
- Date: Wed, 11 May 2022 06:42:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-13 05:41:38.615634
- Title: Invisible-to-Visible: Privacy-Aware Human Segmentation using Airborne
Ultrasound via Collaborative Learning Probabilistic U-Net
- Title(参考訳): 協調学習確率的u-netによる空中超音波を用いた可視・視認性:プライバシーを意識した人間の分節化
- Authors: Risako Tanigawa, Yasunori Ishii, Kazuki Kozuka and Takayoshi Yamashita
- Abstract要約: 本研究では,見えない情報,特に空中超音波による人体セグメンテーションのための新しい課題を提案する。
超音波画像は人物の位置を大まかに特定できるが、詳細な形状は曖昧である。
本稿では,超音波画像とセグメンテーション画像を同時に使用する協調学習確率的U-Netを提案する。
- 参考スコア(独自算出の注目度): 8.21448246263952
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Color images are easy to understand visually and can acquire a great deal of
information, such as color and texture. They are highly and widely used in
tasks such as segmentation. On the other hand, in indoor person segmentation,
it is necessary to collect person data considering privacy. We propose a new
task for human segmentation from invisible information, especially airborne
ultrasound. We first convert ultrasound waves to reflected ultrasound
directional images (ultrasound images) to perform segmentation from invisible
information. Although ultrasound images can roughly identify a person's
location, the detailed shape is ambiguous. To address this problem, we propose
a collaborative learning probabilistic U-Net that uses ultrasound and
segmentation images simultaneously during training, closing the probabilistic
distributions between ultrasound and segmentation images by comparing the
parameters of the latent spaces. In inference, only ultrasound images can be
used to obtain segmentation results. As a result of performance verification,
the proposed method could estimate human segmentations more accurately than
conventional probabilistic U-Net and other variational autoencoder models.
- Abstract(参考訳): カラー画像は視覚的に容易に理解でき、色やテクスチャといった多くの情報を得ることができる。
セグメンテーションなどのタスクで、高度に広く使われている。
一方,屋内の個人セグメンテーションでは,プライバシを考慮した個人データを収集する必要がある。
本研究では,見えない情報,特に空中超音波による人体セグメンテーションのための新しい課題を提案する。
まず、超音波を反射型超音波指向性画像(ultrasound image)に変換し、目に見えない情報からセグメンテーションを行う。
超音波画像は人の位置を大まかに識別できるが、詳細な形状は曖昧である。
そこで本研究では,超音波とセグメント画像を同時に使用し,潜在空間のパラメータを比較することで超音波とセグメント画像の確率分布を閉じる協調学習確率的u-netを提案する。
推論では、超音波画像のみを使用してセグメント化結果を得ることができる。
性能検証の結果,提案手法は従来の確率的u-netや他の変分オートエンコーダモデルよりも高精度に人間のセグメンテーションを推定できた。
関連論文リスト
- LOTUS: Learning to Optimize Task-based US representations [39.81131738128329]
超音波画像における臓器の解剖学的セグメンテーションは多くの臨床応用に不可欠である。
既存のディープニューラルネットワークは、臨床的に許容できるパフォーマンスを達成するために、トレーニングのために大量のラベル付きデータを必要とする。
本稿では,タスクベース超音速画像表現を最適化する学習手法を提案する。
論文 参考訳(メタデータ) (2023-07-29T16:29:39Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳(メタデータ) (2023-01-12T08:19:46Z) - Invisible-to-Visible: Privacy-Aware Human Instance Segmentation using
Airborne Ultrasound via Collaborative Learning Variational Autoencoder [8.21448246263952]
本研究では, 目に見える情報, 特に空中超音波による行動認識のための, 人間のインスタンスのセグメンテーションのための新しいタスクを提案する。
目に見えない情報からサンプルセグメンテーションを行うために、まず音波を反射音方向画像(音像)に変換する。
推測では,音像のみから事例分割結果を得ることができる。
論文 参考訳(メタデータ) (2022-04-15T00:56:01Z) - Voice-assisted Image Labelling for Endoscopic Ultrasound Classification
using Neural Networks [48.732863591145964]
本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。
その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
論文 参考訳(メタデータ) (2021-10-12T21:22:24Z) - Semantic segmentation of multispectral photoacoustic images using deep
learning [53.65837038435433]
光音響イメージングは医療に革命をもたらす可能性がある。
この技術の臨床的翻訳には、高次元取得したデータを臨床的に関連性があり解釈可能な情報に変換する必要がある。
本稿では,多スペクトル光音響画像のセマンティックセグメンテーションに対する深層学習に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2021-05-20T09:33:55Z) - Synergy Between Semantic Segmentation and Image Denoising via Alternate
Boosting [102.19116213923614]
ノイズ除去とセグメンテーションを交互に行うためのブーストネットワークを提案する。
我々は,ノイズによるセグメンテーション精度の低下に対処するだけでなく,画素別意味情報によってデノージング能力が向上することを示す。
実験の結果,デノイド画像の品質が大幅に向上し,セグメンテーション精度がクリーン画像に近いことを示した。
論文 参考訳(メタデータ) (2021-02-24T06:48:45Z) - Ultrasound Image Classification using ACGAN with Small Training Dataset [0.0]
ディープラーニングモデルのトレーニングには大きなラベル付きデータセットが必要であるが、超音波画像では利用できないことが多い。
我々は、大規模データ拡張と転送学習の利点を組み合わせた、ジェネレーティブ・アドバイサル・ネットワーク(ACGAN)を利用する。
乳房超音波画像のデータセットを用いて,提案手法の有効性を示す実験を行った。
論文 参考訳(メタデータ) (2021-01-31T11:11:24Z) - Towards Unsupervised Learning for Instrument Segmentation in Robotic
Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。
当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。
提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
論文 参考訳(メタデータ) (2020-07-09T01:39:39Z) - DenoiSeg: Joint Denoising and Segmentation [75.91760529986958]
我々は,いくつかの注釈付き基底真理セグメンテーションでエンドツーエンドに学習できる新しい手法であるDenoySegを提案する。
我々は、ノイズの多い画像だけで訓練できる自己教師付き遮音方式であるNoss2Voidを拡張して、密度の高い3クラスセグメンテーションを予測する。
論文 参考訳(メタデータ) (2020-05-06T17:42:54Z) - Breast lesion segmentation in ultrasound images with limited annotated
data [2.905751301655124]
セグメント化ネットワークを事前学習するために,アメリカのシミュレーション画像と自然画像を補助的データセットとして用いることを提案する。
プレトレーニングネットワークの微調整により,スクラッチによるトレーニングに比べて,ダイススコアが21%向上することを示す。
論文 参考訳(メタデータ) (2020-01-21T03:34:42Z)
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。