論文の概要: Topologically faithful image segmentation via induced matching of persistence barcodes

• arxiv url: http://arxiv.org/abs/2211.15272v1
• Date: Mon, 28 Nov 2022 12:57:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 16:33:54.783295
• Title: Topologically faithful image segmentation via induced matching of persistence barcodes
• Title（参考訳）: パーシステンスバーコードの誘導マッチングによる位相的忠実な画像分割
• Authors: Nico Stucki, Johannes C. Paetzold, Suprosanna Shit, Bjoern Menze, Ulrich Bauer
• Abstract要約: 教師付き画像セグメンテーションのための最初のトポロジカルかつ特徴的に正確な計量と損失関数を提案する。 セグメント化設定におけるバーコード間の空間的整合性を保証する方法を示す。 セグメンテーションの位相的正しさを評価するために,ベッチマッチング誤差が解釈可能な計量であることを示す。
• 参考スコア（独自算出の注目度）: 2.575096947175758
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Image segmentation is a largely researched field where neural networks find vast applications in many facets of technology. Some of the most popular approaches to train segmentation networks employ loss functions optimizing pixel-overlap, an objective that is insufficient for many segmentation tasks. In recent years, their limitations fueled a growing interest in topology-aware methods, which aim to recover the correct topology of the segmented structures. However, so far, none of the existing approaches achieve a spatially correct matching between the topological features of ground truth and prediction. In this work, we propose the first topologically and feature-wise accurate metric and loss function for supervised image segmentation, which we term Betti matching. We show how induced matchings guarantee the spatially correct matching between barcodes in a segmentation setting. Furthermore, we propose an efficient algorithm to compute the Betti matching of images. We show that the Betti matching error is an interpretable metric to evaluate the topological correctness of segmentations, which is more sensitive than the well-established Betti number error. Moreover, the differentiability of the Betti matching loss enables its use as a loss function. It improves the topological performance of segmentation networks across six diverse datasets while preserving the volumetric performance. Our code is available in https://github.com/nstucki/Betti-matching.
• Abstract（参考訳）: 画像のセグメンテーションは、ニューラルネットワークが多くの技術分野において膨大な応用を見出す研究分野である。 セグメンテーションネットワークを訓練する最も一般的なアプローチは、多くのセグメンテーションタスクで不十分な目的であるピクセルオーバーラップを最適化する損失関数を用いる。 近年、それらの限界は、セグメント構造の正しいトポロジーを回復することを目的としたトポロジー認識法への関心を高めた。 しかし、これまでのアプローチでは、地上の真実と予測のトポロジ的特徴の空間的整合性は得られていない。 本研究では,教師付き画像セグメンテーションのためのトポロジカルかつ特徴的に正確な計量と損失関数を提案し,これをベッチマッチングと呼ぶ。 セグメント化設定におけるバーコード間の空間的整合性を保証する方法を示す。 さらに,画像のベッチマッチングを計算するための効率的なアルゴリズムを提案する。 ベッチマッチング誤差はセグメンテーションの位相的正しさを評価するための解釈可能な指標であり,既定のベッチ数誤差よりも感度が高いことを示す。 さらに、ベッチマッチング損失の微分性は、損失関数としての使用を可能にする。 ボリューム性能を維持しながら、6つの多様なデータセットにわたるセグメンテーションネットワークのトポロジ的パフォーマンスを改善する。 私たちのコードはhttps://github.com/nstucki/betti-matchingで利用可能です。

関連論文リスト

• Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
  位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。 ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。 トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-05T16:20:14Z)
• Efficient Betti Matching Enables Topology-Aware 3D Segmentation via Persistent Homology [2.0767088099870006]
  セグメンテーションネットワークを学習するための損失関数として使用できるベッチマッチングの効率的な計算アルゴリズムを提案する。 大きな課題は、永続性バーコードの計算コストである。 ピソンインタフェースとともにC++で実装されたBettiマッチングの,高度に最適化された実装を提案する。
  論文  参考訳（メタデータ） (2024-07-05T17:44:08Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• BuyTheDips: PathLoss for improved topology-preserving deep learning-based image segmentation [1.8899300124593648]
  本稿では,新しいリーク損失であるPathlossに依存する新しいディープイメージセグメンテーション手法を提案する。 本手法は,異なる性質の2つの代表的なデータセットに対して,最先端のトポロジ認識手法より優れる。
  論文  参考訳（メタデータ） (2022-07-23T07:19:30Z)
• DTU-Net: Learning Topological Similarity for Curvilinear Structure Segmentation [2.9398911304923447]
  本稿では,2つの重み付きU-Netからなる2重デコーダとトポロジ対応ディープニューラルネットワークDTU-Netを提案する。 テクスチャネットは、画像テクスチャ情報を用いて粗い予測を行う。 トポロジネットは、誤りとミスの分割を認識するために訓練された三重項損失を用いることで、粗い予測からトポロジ情報を学習する。
  論文  参考訳（メタデータ） (2022-05-23T08:15:26Z)
• Image Segmentation with Homotopy Warping [10.093435601073484]
  位相的正しさは、微細な構造を持つ画像のセグメンテーションに不可欠である。 ディジタルトポロジの理論を活用することで、トポロジにとって重要な画像中の位置を特定する。 本稿では,位相的精度を向上させるために,深部画像分割ネットワークをトレーニングするための新たなホモトピーワーピング損失を提案する。
  論文  参考訳（メタデータ） (2021-12-15T00:33:15Z)
• Semantic Distribution-aware Contrastive Adaptation for Semantic Segmentation [50.621269117524925]
  ドメイン適応セマンティックセグメンテーション(ドメイン適応セマンティックセグメンテーション)とは、特定のソースドメインのアノテーションだけで特定のターゲットドメイン上で予測を行うことを指す。 画素ワイド表示アライメントを可能にする意味分布対応コントラスト適応アルゴリズムを提案する。 複数のベンチマークでSDCAを評価し、既存のアルゴリズムを大幅に改善します。
  論文  参考訳（メタデータ） (2021-05-11T13:21:25Z)
• The Spatially-Correlative Loss for Various Image Translation Tasks [69.62228639870114]
  シーン構造の一貫性を保つために、シンプルで効率的かつ効果的な新しい空間相関損失を提案します。 以前の方法は、ピクセルレベルのサイクル一貫性または特徴レベルのマッチング損失を使用してこれを試みます。 I2I翻訳の3つのモードすべてにおいて,ベースラインモデルに対して,単一モーダル,マルチモーダル,さらには単一イメージ翻訳において,明確な改善が見られた。
  論文  参考訳（メタデータ） (2021-04-02T02:13:30Z)
• PointFlow: Flowing Semantics Through Points for Aerial Image Segmentation [96.76882806139251]
  本論文では,FPN(Feature Pyramid Network)フレームワークに基づく点親和性伝播モジュールであるPointFlowを提案する。 密接な親和性学習ではなく、隣接する特徴間の選択された点にスパース親和性マップを生成する。 3つの異なる空中セグメンテーションデータセットの実験結果から,提案手法は最先端の汎用セグメンテーション法よりも効率的かつ効率的であることが示唆された。
  論文  参考訳（メタデータ） (2021-03-11T09:42:32Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)

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。