論文の概要: Learning to Compare Longitudinal Images
- arxiv url: http://arxiv.org/abs/2304.02531v2
- Date: Sun, 16 Apr 2023 15:38:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-18 20:17:49.580299
- Title: Learning to Compare Longitudinal Images
- Title(参考訳): 縦断画像の比較学習
- Authors: Heejong Kim and Mert R. Sabuncu
- Abstract要約: 深層学習モデル(PaIRNetと呼ばれる)をトレーニングし、一対の長手画像と監督の有無を比較します。
4つのデータセットから得られた結果は,PaIRNetが有意な経年変化の局所化と定量化に極めて有効であることを示す。
- 参考スコア(独自算出の注目度): 15.245936854932374
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Longitudinal studies, where a series of images from the same set of
individuals are acquired at different time-points, represent a popular
technique for studying and characterizing temporal dynamics in biomedical
applications. The classical approach for longitudinal comparison involves
normalizing for nuisance variations, such as image orientation or contrast
differences, via pre-processing. Statistical analysis is, in turn, conducted to
detect changes of interest, either at the individual or population level. This
classical approach can suffer from pre-processing issues and limitations of the
statistical modeling. For example, normalizing for nuisance variation might be
hard in settings where there are a lot of idiosyncratic changes. In this paper,
we present a simple machine learning-based approach that can alleviate these
issues. In our approach, we train a deep learning model (called PaIRNet, for
Pairwise Image Ranking Network) to compare pairs of longitudinal images, with
or without supervision. In the self-supervised setup, for instance, the model
is trained to temporally order the images, which requires learning to recognize
time-irreversible changes. Our results from four datasets demonstrate that
PaIRNet can be very effective in localizing and quantifying meaningful
longitudinal changes while discounting nuisance variation. Our code is
available at
\url{https://github.com/heejong-kim/learning-to-compare-longitudinal-images.git}
- Abstract(参考訳): 縦断的研究では、同じ個体群からの一連の画像が異なるタイミングで取得され、生体医学的応用における時間的ダイナミクスの研究と特徴付けのための一般的な技術である。
縦長比較のための古典的なアプローチは、前処理による画像配向やコントラスト差などのニュアンス変動の正規化を含む。
統計分析は、個人または人口レベルで、関心の変化を検出するために行われる。
この古典的なアプローチは、事前処理の問題と統計モデリングの限界に悩まされる。
例えば、慣用的な変更が多い設定では、ニュアンス変動の正規化は難しいかもしれません。
本稿では,これらの問題を緩和するシンプルな機械学習アプローチを提案する。
提案手法では,深層学習モデル(PaIRNet,Pairwise Image Ranking Network)をトレーニングし,一対の長手画像と監督の有無を比較した。
例えば、自己監督的な設定では、モデルは時間的に画像を順序付けするように訓練され、学習は時間的に不可逆な変化を認識する必要がある。
4つのデータセットから得られた結果から,PaIRNetはニュアンス変動を抑えつつ,有意な経時変化の局所化と定量化に極めて有効であることが示された。
私たちのコードは \url{https://github.com/heejong-kim/learning-to-compare-longitudinal-images.git} で入手できる。
関連論文リスト
- CricaVPR: Cross-image Correlation-aware Representation Learning for
Visual Place Recognition [77.89584556347509]
視覚的位置認識(VPR)のための画像間相関認識を用いたロバストなグローバル表現法を提案する。
提案手法はPitts30k上の94.5%のR@1を512dimのグローバルな特徴を用いて達成する。
論文 参考訳(メタデータ) (2024-02-29T15:05:11Z) - Self-similarity Driven Scale-invariant Learning for Weakly Supervised
Person Search [66.95134080902717]
自己相似性駆動型スケール不変学習(SSL)という新しいワンステップフレームワークを提案する。
本稿では,ネットワークを前景と学習スケール不変の機能に集中させるための,マルチスケール・エクステンプラー・ブランチを提案する。
PRWおよびCUHK-SYSUデータベースの実験により,本手法の有効性が示された。
論文 参考訳(メタデータ) (2023-02-25T04:48:11Z) - Content-Diverse Comparisons improve IQA [23.523537785599913]
画像品質評価(IQA)は人間にとって自然な作業であり、しばしば簡単な作業となるが、タスクの効果的な自動化は依然として困難である。
ディープラーニングコミュニティの最近のメトリクスは、トレーニング中のイメージペアを比較して、PSNRやSSIMといった従来のメトリクスを改善するのが一般的です。
これにより、トレーニング中にモデルが露出する画像ペアの多様性と数を制限する。
本稿では、これらの比較とコンテンツ多様性の強化に努め、まず、比較制約を緩和し、画像のペアを異なるコンテンツと比較する。
論文 参考訳(メタデータ) (2022-11-09T21:53:13Z) - On the Versatile Uses of Partial Distance Correlation in Deep Learning [47.11577420740119]
本稿では、異なる次元の特徴空間間の相関を評価するために設計された距離相関(および部分変量)と呼ばれる統計学から(広く知られていない)再検討する。
本稿では,大規模モデルへの展開に必要なステップについて述べる。
これは、ある深いモデルw.r.t.を条件付けすること、非絡み合った表現を学習すること、および敵の攻撃に対してより堅牢な多様なモデルを最適化することなど、驚くべき一連のアプリケーションへの扉を開く。
論文 参考訳(メタデータ) (2022-07-20T06:36:11Z) - PatchNR: Learning from Small Data by Patch Normalizing Flow
Regularization [57.37911115888587]
正規化フローに基づく画像の逆問題に対する変分モデリングのための正規化器を提案する。
patchNRと呼ばれる我々の正規化器は、ごく少数の画像のパッチで学習したフローを正規化します。
論文 参考訳(メタデータ) (2022-05-24T12:14:26Z) - Focus on the Positives: Self-Supervised Learning for Biodiversity
Monitoring [9.086207853136054]
ラベルのない画像コレクションから自己教師付き表現を学習する問題に対処する。
我々は,入力画像間の空間的関係や時間的関係などの情報を符号化する,手軽に利用可能なコンテキストデータを利用する。
地球生物多様性監視の重要課題として、人間の監督が限定された視覚的種分類タスクに適応可能な画像特徴があげられる。
論文 参考訳(メタデータ) (2021-08-14T01:12:41Z) - Delving into Inter-Image Invariance for Unsupervised Visual
Representations [108.33534231219464]
画像間不変学習の役割をよりよく理解するための研究を提案する。
オンラインラベルはオフラインラベルよりも早く収束する。
半硬な負のサンプルは、硬い負のサンプルよりも信頼性が高く、偏りがない。
論文 参考訳(メタデータ) (2020-08-26T17:44:23Z) - Learning to Compare Relation: Semantic Alignment for Few-Shot Learning [48.463122399494175]
本稿では,コンテンツアライメントに頑健な関係を比較するための新しいセマンティックアライメントモデルを提案する。
数ショットの学習データセットについて広範な実験を行う。
論文 参考訳(メタデータ) (2020-02-29T08:37:02Z)
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。