論文の概要: A Disparity Refinement Framework for Learning-based Stereo Matching
Methods in Cross-domain Setting for Laparoscopic Images
- arxiv url: http://arxiv.org/abs/2302.02294v1
- Date: Sun, 5 Feb 2023 04:14:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-07 19:02:06.072965
- Title: A Disparity Refinement Framework for Learning-based Stereo Matching
Methods in Cross-domain Setting for Laparoscopic Images
- Title（参考訳）: 腹腔鏡画像のクロスドメイン設定における学習ベースステレオマッチング手法の分散化フレームワーク
- Authors: Zixin Yang, Richard Simon and Cristian A. Linte
- Abstract要約: 学習に基づくステレオマッチング手法は腹腔鏡画像の正確な結果を予測することを約束している。
学習に基づく手法の堅牢性を維持し、精度を向上させることは、依然として未解決の問題である。
本稿では,局所的な不均質化法とグローバルな不均質化法からなる不均質化フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Purpose: Stereo matching methods that enable depth estimation are crucial for
visualization enhancement applications in computer-assisted surgery (CAS).
Learning-based stereo matching methods are promising to predict accurate
results on laparoscopic images. However, they require a large amount of
training data, and their performance may be degraded due to domain shifts.
Methods: Maintaining robustness and improving the accuracy of learning-based
methods are still open problems. To overcome the limitations of learning-based
methods, we propose a disparity refinement framework consisting of a local
disparity refinement method and a global disparity refinement method to improve
the results of learning-based stereo matching methods in a cross-domain
setting. Those learning-based stereo matching methods are pre-trained on a
large public dataset of natural images and are tested on two datasets of
laparoscopic images.
Results: Qualitative and quantitative results suggest that our proposed
disparity framework can effectively refine disparity maps when they are
noise-corrupted on an unseen dataset, without compromising prediction accuracy
when the network can generalize well on an unseen dataset.
Conclusion: Our proposed disparity refinement framework could work with
learning-based methods to achieve robust and accurate disparity prediction.
Yet, as a large laparoscopic dataset for training learning-based methods does
not exist and the generalization ability of networks remains to be improved,
the incorporation of the proposed disparity refinement framework into existing
networks will contribute to improving their overall accuracy and robustness
associated with depth estimation.
- Abstract（参考訳）: 目的: 深度推定を可能にするステレオマッチング法は, コンピュータ支援手術(CAS)における可視化向上に不可欠である。
学習に基づくステレオマッチング手法は腹腔鏡像の正確な結果を予測することが期待できる。
しかし、大量のトレーニングデータを必要とするため、ドメインシフトによってパフォーマンスが低下する可能性がある。
方法: 学習に基づく手法の堅牢性維持と精度向上は依然として未解決の問題である。
学習に基づく方法の限界を克服するために,局所的不等化法と大域的不等化法からなる不等化フレームワークを提案し,クロスドメイン設定における学習に基づくステレオマッチング法の結果を改善する。
これらの学習に基づくステレオマッチング手法は、自然画像の公開データセットで事前訓練され、腹腔鏡画像の2つのデータセットでテストされる。
結果: 定性的かつ定量的な結果から, 提案手法は, ネットワークが未知のデータセット上でうまく一般化できる場合に, 予測精度を損なうことなく, ノイズが検出されていないデータセット上で分解された場合に, 効果的に異質マップを洗練できることが示唆された。
結論: 提案した格差改善フレームワークは, 学習に基づく手法を用いて, 堅牢かつ正確な格差予測を実現することができる。
しかし,学習に基づく手法を学習するための大規模腹腔鏡的データセットは存在せず,ネットワークの一般化能力も改善されていないため,既存ネットワークへの分散化フレームワークの導入は,深度推定に伴う全体的な精度と堅牢性の向上に寄与する。
関連論文リスト
- Contrastive-Adversarial and Diffusion: Exploring pre-training and fine-tuning strategies for sulcal identification [3.0398616939692777]
対人学習、コントラスト学習、拡散認知学習、通常の再構成学習といった技術が標準となっている。
この研究は、ニューラルネットワークの学習プロセスを強化するために、事前学習技術と微調整戦略の利点を解明することを目的としている。
論文 参考訳（メタデータ） (2024-05-29T15:44:51Z) - Learning Interpretable Deep Disentangled Neural Networks for
Hyperspectral Unmixing [16.02193274044797]
非線形性および終端変動を考慮した高スペクトルアンミックスのための新しい解釈可能な深層学習法を提案する。
モデルは、バックプロパゲーションを使用してエンドツーエンドに学習され、セルフ教師付き戦略を使用してトレーニングされる。
合成および実データを用いた実験結果から,提案手法の性能が示唆された。
論文 参考訳（メタデータ） (2023-10-03T18:21:37Z) - Self-Supervised Graph Transformer for Deepfake Detection [1.8133635752982105]
ディープフェイク検出手法は、与えられたデータセット内の偽造を認識できる有望な結果を示している。
ディープフェイク検出システムは、一般的な検出性能を保証するために、偽造タイプ、外観、品質に欠かせないままでいなければならない。
本研究では、自己教師付き事前学習モデルを利用して、例外的な一般化能力を実現するディープフェイク検出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-27T17:22:41Z) - Adaptive Local-Component-aware Graph Convolutional Network for One-shot
Skeleton-based Action Recognition [54.23513799338309]
骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。
我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
論文 参考訳（メタデータ） (2022-09-21T02:33:07Z) - Unsupervised feature selection via self-paced learning and low-redundant
regularization [6.083524716031565]
自己評価学習とサブスペース学習の枠組みを統合することにより,教師なしの特徴選択を提案する。
この手法の収束性は理論的および実験的に証明される。
実験の結果,提案手法はクラスタリング法の性能を向上し,他の比較アルゴリズムよりも優れていることがわかった。
論文 参考訳（メタデータ） (2021-12-14T08:28:19Z) - Improving Music Performance Assessment with Contrastive Learning [78.8942067357231]
本研究では,既存のMPAシステムを改善するための潜在的手法として,コントラスト学習について検討する。
畳み込みニューラルネットワークに適用された回帰タスクに適した重み付きコントラスト損失を導入する。
この結果から,MPA回帰タスクにおいて,コントラッシブ・ベースの手法がSoTA性能に適合し,超越できることが示唆された。
論文 参考訳（メタデータ） (2021-08-03T19:24:25Z) - An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。
正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
論文 参考訳（メタデータ） (2021-06-06T02:27:55Z) - Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
データセットバイアスは、機械学習における不公平な原因の1つです。
不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。
また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
論文 参考訳（メタデータ） (2021-04-14T14:20:22Z) - Meta-learning One-class Classifiers with Eigenvalue Solvers for
Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。
提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文 参考訳（メタデータ） (2021-03-01T01:43:04Z) - Adaptive Matching of Kernel Means [10.377914682543903]
カーネル平均マッチング(KMM)は,カーネルマシンの知識発見と新規性検出において重要な手法となっている。
本研究では,カーネル手段の適応マッチングのための新しい手法を提案し,高い重要度を持つ選択データを用いて計算効率を最適化する手法を提案する。
様々な実世界のデータセットに対する実験結果から,提案手法はいくつかの最先端手法と比較して優れた性能が得られることを示した。
論文 参考訳（メタデータ） (2020-11-16T09:00:14Z) - Accurate and Robust Feature Importance Estimation under Distribution
Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。
忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-09-30T05:29:01Z)
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。