論文の概要: Skeletal Point Representations with Geometric Deep Learning
- arxiv url: http://arxiv.org/abs/2303.02123v1
- Date: Fri, 3 Mar 2023 18:08:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-06 13:53:37.284301
- Title: Skeletal Point Representations with Geometric Deep Learning
- Title(参考訳): 幾何学的深層学習による骨格点表現
- Authors: Ninad Khargonkar, Beatriz Paniagua, Jared Vicory
- Abstract要約: 物体の骨格構造を計算するための新しい幾何学用語を提案する。
結果は従来のS-repと似ているが、より高速に製造される。
- 参考スコア(独自算出の注目度): 0.6696732597888386
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Skeletonization has been a popular shape analysis technique that models both
the interior and exterior of an object. Existing template-based calculations of
skeletal models from anatomical structures are a time-consuming manual process.
Recently, learning-based methods have been used to extract skeletons from 3D
shapes. In this work, we propose novel additional geometric terms for
calculating skeletal structures of objects. The results are similar to
traditional fitted s-reps but but are produced much more quickly. Evaluation on
real clinical data shows that the learned model predicts accurate skeletal
representations and shows the impact of proposed geometric losses along with
using s-reps as weak supervision.
- Abstract(参考訳): 骨格化は、物体の内部と外部の両方をモデル化する一般的な形状解析技術である。
既存のテンプレートに基づく解剖学的構造からの骨格モデルの計算は、時間を要する手作業である。
近年,3次元形状からの骨格抽出に学習に基づく手法が用いられている。
本研究では,物体の骨格構造を計算するための新しい幾何学用語を提案する。
結果は従来のs-repと似ているが、より早く製造される。
実臨床データを用いた評価の結果, 学習モデルは正確な骨格表現を予測でき, s-repを弱い監督として用いることで, 幾何学的損失の影響を示す。
関連論文リスト
- Fitting Skeletal Models via Graph-based Learning [3.059114987144684]
本稿では,グラフ畳み込みネットワークを活用して,高密度セグメンテーションマスクから骨格表現(s-reps)を生成する新しいスケルトン化手法を提案する。
本手法は, 人工海馬と実際の海馬のセグメンテーションの両方で評価され, 有望な結果と高速な推測が得られた。
論文 参考訳(メタデータ) (2024-09-09T03:50:41Z) - Deep Medial Voxels: Learned Medial Axis Approximations for Anatomical Shape Modeling [5.584193645582203]
画像量からトポロジカルな骨格を忠実に近似する半単純表現であるディープ・メディアル・ボクセルを導入する。
再現技術は,可視化と計算機シミュレーションの両方の可能性を示している。
論文 参考訳(メタデータ) (2024-03-18T13:47:18Z) - An End-to-End Deep Learning Generative Framework for Refinable Shape
Matching and Generation [45.820901263103806]
In-Silico Clinical Trials (ISCTs) の必要条件としての形状生成モデルの構築
本研究では,非教師なしの幾何学的深層学習モデルを構築し,潜在空間における補修可能な形状対応を確立する。
提案するベースモデルを,より可変性を高めるために,結合形状生成クラスタリングマルチアトラスフレームワークに拡張する。
論文 参考訳(メタデータ) (2024-03-10T21:33:53Z) - ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。
これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。
テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
論文 参考訳(メタデータ) (2023-12-11T07:09:32Z) - TailorMe: Self-Supervised Learning of an Anatomically Constrained
Volumetric Human Shape Model [4.474107938692397]
人間の形状空間は、人間の形状の中核要素であり、推論タスクを装うため、広く研究されている。
骨格骨と軟組織からなる解剖学的テンプレートをCAESARデータベースの表面スキャンに作成する。
このデータは、人文的に制約された容積的人体形状モデルを自己監督的に学習するために使用される。
論文 参考訳(メタデータ) (2023-11-03T07:42:19Z) - Hierarchical Skeleton Meta-Prototype Contrastive Learning with Hard
Skeleton Mining for Unsupervised Person Re-Identification [70.90142717649785]
本稿では,HSM(Hard Skeleton Mining)を用いた階層型非教師付きメタプロトタイプコントラストラーニング(Hi-MPC)手法を提案する。
原原型を複数の同種変換を伴うメタプロトタイプに変換することにより,原型固有の一貫性を学習し,人体再IDのより効果的な骨格特徴を捉える。
論文 参考訳(メタデータ) (2023-07-24T16:18:22Z) - SkeletonMAE: Graph-based Masked Autoencoder for Skeleton Sequence
Pre-training [110.55093254677638]
我々はSkeleton Sequence Learning(SSL)という,効率的なスケルトンシーケンス学習フレームワークを提案する。
本論文では,SkeletonMAEという非対称なグラフベースのエンコーダデコーダ事前学習アーキテクチャを構築する。
我々のSSLは、さまざまなデータセットにまたがってうまく一般化し、最先端の自己教師型スケルトンベースのアクション認識手法よりも優れています。
論文 参考訳(メタデータ) (2023-07-17T13:33:11Z) - A Self-Supervised Deep Framework for Reference Bony Shape Estimation in
Orthognathic Surgical Planning [55.30223654196882]
仮想的な矯正手術計画では、3次元顔面骨形状モデルにおける顎変形の外科的修正をシミュレートする。
正常な解剖を表現した基準顔骨形状モデルは、計画精度を向上させるための客観的ガイダンスを提供することができる。
本稿では,顔面骨の形状モデルを自動的に推定する自己教師型ディープフレームワークを提案する。
論文 参考訳(メタデータ) (2021-09-11T05:24:40Z) - Point2Skeleton: Learning Skeletal Representations from Point Clouds [36.62519847312199]
本稿では,ポイントクラウドから骨格表現を学習するための教師なし手法であるPoint2Skeletonを紹介する。
まず、幾何変換を学習して骨格点の集合を予測し、次に骨格点の接続性を分析して骨格メッシュ構造を形成する。
論文 参考訳(メタデータ) (2020-12-01T03:04:09Z) - SkeletonNet: A Topology-Preserving Solution for Learning Mesh
Reconstruction of Object Surfaces from RGB Images [85.66560542483286]
本稿では,RGB画像から3次元物体表面再構成を学習する上での課題に焦点を当てる。
我々は,SkeGCNNとSkeDISNの2つのモデルを提案する。
提案するSkeletonNetの有効性を検証するための徹底的な実験を行った。
論文 参考訳(メタデータ) (2020-08-13T07:59:25Z) - Monocular Human Pose and Shape Reconstruction using Part Differentiable
Rendering [53.16864661460889]
近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。
本稿では,ボディセグメンテーションを重要な監視対象として紹介する。
部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
論文 参考訳(メタデータ) (2020-03-24T14:25:46Z)
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。