論文の概要: CNN-based Dendrite Core Detection from Microscopic Images of
Directionally Solidified Ni-base Alloys
- arxiv url: http://arxiv.org/abs/2305.12506v1
- Date: Sun, 21 May 2023 16:51:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-23 20:06:54.770011
- Title: CNN-based Dendrite Core Detection from Microscopic Images of
Directionally Solidified Ni-base Alloys
- Title(参考訳): 方向性凝固Ni基合金の顕微鏡像からのCNN型デンドライトコア検出
- Authors: Xiaoguang Li
- Abstract要約: デンドライトコアはデンドライトの中心点である。
現在の検出方法は、計算された中心点位置がバウンディングボックスの左上と右下角に基づいているため、このタスクではうまく動作しない。
本研究では,デンドライトコア検出問題をセグメント化タスクとして定式化し,デンドライトコアを直接検出する新しい検出方法を提案する。
- 参考スコア(独自算出の注目度): 9.36195511264115
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dendrite core is the center point of the dendrite. The information of
dendrite core is very helpful for material scientists to analyze the properties
of materials. Therefore, detecting the dendrite core is a very important task
in the material science field. Meanwhile, because of some special properties of
the dendrites, this task is also very challenging. Different from the typical
detection problems in the computer vision field, detecting the dendrite core
aims to detect a single point location instead of the bounding-box. As a
result, the existing regressing bounding-box based detection methods can not
work well on this task because the calculated center point location based on
the upper-left and lower-right corners of the bounding-box is usually not
precise. In this work, we formulate the dendrite core detection problem as a
segmentation task and proposed a novel detection method to detect the dendrite
core directly. Our whole pipeline contains three steps: Easy Sample Detection
(ESD), Hard Sample Detection(HSD), and Hard Sample Refinement (HSR).
Specifically, ESD and HSD focus on the easy samples and hard samples of
dendrite cores respectively. Both of them employ the same Central Point
Detection Network (CPDN) but do not share parameters. To make HSD only focus on
the feature of hard samples of dendrite cores, we destroy the structure of the
easy samples of dendrites which are detected by ESD and force HSD to learn the
feature of hard samples. HSR is a binary classifier which is used to filter out
the false positive prediction of HSD. We evaluate our method on the dendrite
dataset. Our method outperforms the state-of-the-art baselines on three
metrics, i.e., Recall, Precision, and F-score.
- Abstract(参考訳): デンドライトコアはデンドライトの中心点である。
デンドライトコアの情報は、材料科学者が材料の性質を分析するのに非常に役立つ。
したがって,デンドライトコアの検出は材料科学分野において非常に重要な課題である。
一方、デンドライトの特別な性質のため、この課題も非常に困難である。
コンピュータビジョンの典型的な検出問題とは異なり、デンドライトコアの検出はバウンディングボックスの代わりに単一点位置を検出することを目的としている。
その結果,既存のリグレッディング・バウンディング・ボックス・ベース検出法は,バウンディング・ボックスの右上隅と右下隅に基づいて計算された中心点位置が正確でないため,このタスクではうまく動作しない。
本研究では,デンドライトコア検出問題をセグメント化タスクとして定式化し,デンドライトコアを直接検出する新しい検出方法を提案する。
パイプライン全体は、簡単なサンプル検出(ESD)、ハードサンプル検出(HSD)、ハードサンプルリファインメント(HSR)の3つのステップを含む。
具体的には、esdとhsdはそれぞれデンドライトコアの簡単なサンプルとハードサンプルに焦点を当てている。
どちらもCPDN(Central Point Detection Network)を使用しているが、パラメータを共有していない。
HSDをデンドライトコアの硬質試料の特徴のみに焦点を合わせるため,EDDによって検出されるデンドライトの簡易試料の構造を破壊し,HSDに硬質試料の特徴を学習させる。
HSRは、HSDの偽陽性予測をフィルタリングするために使用されるバイナリ分類器である。
提案手法はdendriteデータセット上で評価する。
提案手法は,3つの指標,すなわちリコール,精度,Fスコアにおいて,最先端のベースラインよりも優れる。
関連論文リスト
- Not All Samples Should Be Utilized Equally: Towards Understanding and Improving Dataset Distillation [57.6797306341115]
我々は,サンプル難易度の観点から,マッチングに基づくDD手法の理解に向けて最初の一歩を踏み出した。
次に、データプルーニングのニューラルネットワークスケーリング法則をDDに拡張し、これらのマッチングベースの手法を理論的に説明する。
SDC(Sampple Difficulty Correction)アプローチを導入し、より簡単なサンプルを生成して、より高いデータセット品質を実現する。
論文 参考訳(メタデータ) (2024-08-22T15:20:32Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳(メタデータ) (2023-08-31T05:05:53Z) - From WSI-level to Patch-level: Structure Prior Guided Binuclear Cell
Fine-grained Detection [8.810499770542553]
バイ核細胞(BC)の検出は、白血病やその他の悪性腫瘍のリスクを予測する上で重要な役割を担っている。
深層学習に基づくBC以前の構造にインスパイアされた2段階検出手法を提案する。
粗い検出ネットワークは、細胞検出のための円形境界ボックスと、核検出のための中心キーポイントに基づくマルチタスク検出フレームワークである。
論文 参考訳(メタデータ) (2022-08-26T12:32:05Z) - GAN Based Boundary Aware Classifier for Detecting Out-of-distribution
Samples [24.572516991009323]
本稿では,ほとんどのIDデータのみを含む閉じたハイパースペースを生成するためのGANベースの境界認識分類器(GBAC)を提案する。
本手法は, 従来のニューラルネットが, 未閉鎖領域として特徴空間を分離し, オード検出に適さない。
GBACを補助モジュールとして、閉じたハイパースペースの外に分散されたoodデータは、より低いスコアで割り当てられ、より効果的なood検出が可能になる。
論文 参考訳(メタデータ) (2021-12-22T03:35:54Z) - Projected Sliced Wasserstein Autoencoder-based Hyperspectral Images
Anomaly Detection [42.585075865267946]
本稿では,PSW自動エンコーダを用いた異常検出手法を提案する。
特に、計算フレンドリーな固有分解法を利用して、高次元データをスライスする主成分を見つける。
様々な実世界のハイパースペクトル異常検出ベンチマークで実施した総合的な実験は,提案手法の優れた性能を示す。
論文 参考訳(メタデータ) (2021-12-20T09:21:02Z) - SCPM-Net: An Anchor-free 3D Lung Nodule Detection Network using Sphere
Representation and Center Points Matching [47.79483848496141]
3次元球面表現に基づく中心点マッチング検出ネットワーク(SCPM-Net)を提案する。
アンカーフリーで、nodule/anchorパラメータを手動で設計することなく、nodulesの位置、半径、オフセットを自動的に予測する。
提案するSCPM-Netフレームワークは,既存のアンカーベースおよびアンカーフリーの肺結節検出法と比較して,優れた性能を示すことを示す。
論文 参考訳(メタデータ) (2021-04-12T05:51:29Z) - Pretrained equivariant features improve unsupervised landmark discovery [69.02115180674885]
我々は、この課題を克服する2段階の教師なしアプローチを、強力なピクセルベースの特徴を初めて学習することによって定式化する。
本手法は,いくつかの難解なランドマーク検出データセットにおいて最先端の結果を生成する。
論文 参考訳(メタデータ) (2021-04-07T05:42:11Z) - Delving into Localization Errors for Monocular 3D Object Detection [85.77319416168362]
単眼画像から3Dバウンディングボックスを推定することは、自動運転に不可欠な要素です。
本研究では, 各サブタスクがもたらす影響を定量化し, 局所化誤差を求めることが, モノクロ3次元検出の抑制に欠かせない要因である。
論文 参考訳(メタデータ) (2021-03-30T10:38:01Z) - Accurate Cell Segmentation in Digital Pathology Images via Attention
Enforced Networks [0.0]
本研究では,グローバルな依存関係と重み付きチャネルを適応的に統合するアテンション強化ネットワーク(AENet)を提案する。
実験段階では, 染色変化問題に対処するために, 個々の色正規化法を提案する。
論文 参考訳(メタデータ) (2020-12-14T03:39:33Z) - Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。
提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。
そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。
ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
論文 参考訳(メタデータ) (2020-11-25T18:59:54Z)
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。