論文の概要: DAGrid: Directed Accumulator Grid

• arxiv url: http://arxiv.org/abs/2306.02589v1
• Date: Mon, 5 Jun 2023 04:33:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-06 16:48:55.203707
• Title: DAGrid: Directed Accumulator Grid
• Title（参考訳）: dagrid: 指示型アキュムレータグリッド
• Authors: Hang Zhang, Renjiu Hu, Xiang Chen, Rongguang Wang, Jinwei Zhang, and Jiahao Li
• Abstract要約: ニューラルネットワークにおける幾何保存フィルタを可能にするDAGrid(Directed Accumulator Grid)を提案する。 DAGridはネットワークパラメータサイズを70.8%削減し、FLOPを96.8%削減した。 また、左室質量の平均DiceスコアとDiceスコアの4.4%と8.2%の改善も達成している。
• 参考スコア（独自算出の注目度）: 13.188564605481544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent research highlights that the Directed Accumulator (DA), through its parametrization of geometric priors into neural networks, has notably improved the performance of medical image recognition, particularly with small and imbalanced datasets. However, DA's potential in pixel-wise dense predictions is unexplored. To bridge this gap, we present the Directed Accumulator Grid (DAGrid), which allows geometric-preserving filtering in neural networks, thus broadening the scope of DA's applications to include pixel-level dense prediction tasks. DAGrid utilizes homogeneous data types in conjunction with designed sampling grids to construct geometrically transformed representations, retaining intricate geometric information and promoting long-range information propagation within the neural networks. Contrary to its symmetric counterpart, grid sampling, which might lose information in the sampling process, DAGrid aggregates all pixels, ensuring a comprehensive representation in the transformed space. The parallelization of DAGrid on modern GPUs is facilitated using CUDA programming, and also back propagation is enabled for deep neural network training. Empirical results show DAGrid-enhanced neural networks excel in supervised skin lesion segmentation and unsupervised cardiac image registration. Specifically, the network incorporating DAGrid has realized a 70.8% reduction in network parameter size and a 96.8% decrease in FLOPs, while concurrently improving the Dice score for skin lesion segmentation by 1.0% compared to state-of-the-art transformers. Furthermore, it has achieved improvements of 4.4% and 8.2% in the average Dice score and Dice score of the left ventricular mass, respectively, indicating an increase in registration accuracy for cardiac images. The source code is available at https://github.com/tinymilky/DeDA.
• Abstract（参考訳）: 最近の研究では、指向型アキュムレータ(da)は、幾何学的前駆体をニューラルネットワークにパラメトリゼーションすることで、医療画像認識の性能、特に小規模で不均衡なデータセットのパフォーマンスを著しく向上させた。 しかし、ピクセル単位の密度予測におけるDAのポテンシャルは未解明である。 このギャップを埋めるために,ニューラルネットワークにおける幾何保存フィルタリングを可能にする指向型アキュムレータグリッド(dagrid)を提案する。 DAGridは、設計されたサンプリンググリッドとともに均一なデータ型を使用して、幾何学的に変換された表現を構築し、複雑な幾何学的情報を保持し、ニューラルネットワーク内での長距離情報伝播を促進する。 対称的なグリッドサンプリングとは対照的に、DAGridは全てのピクセルを集約し、変換された空間における包括的な表現を保証する。 最新のGPU上でのDAGridの並列化はCUDAプログラミングによって促進され、バック伝搬はディープニューラルネットワークトレーニングに有効である。 実験の結果, dagrid-enhanced neural networksは, 皮膚病変セグメント化と非教師付き心画像登録に優れていることがわかった。 具体的には、dagridを組み込んだネットワークは、ネットワークパラメータサイズが70.8%減少し、フロップが96.8%減少すると同時に、最先端トランスフォーマーに比べて皮膚病変分割のサイススコアが1.0%向上している。 また、左室重量の平均diceスコアとdiceスコアの4.4%と8.2%の改善を達成しており、心画像の登録精度が向上していることを示している。 ソースコードはhttps://github.com/tinymilky/dedaで入手できる。

関連論文リスト

• Geometric Learning-Based Transformer Network for Estimation of Segmentation Errors [1.376408511310322]
  そこで本研究では,セグメントマップ内の誤り領域を同定し,測定する手法を提案する。 提案手法は, 疑似ボリューム分割マップから生成された3次元メッシュの任意の点やノードにおける誤差を推定できる。 我々は,ヒト内耳骨迷路構造の高分解能マイクロCTデータセットを用いてネットワークの評価を行った。
  論文  参考訳（メタデータ） (2023-08-09T16:58:03Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Low-Energy Convolutional Neural Networks (CNNs) using Hadamard Method [0.0]
  畳み込みニューラルネットワーク(CNN)は、オブジェクト認識と検出の潜在的アプローチである。 畳み込み操作の代替として,アダマール変換に基づく新しいアプローチを示す。 この方法は、入力画像サイズよりもカーネルサイズが小さい場合、他のコンピュータビジョンタスクに役立ちます。
  論文  参考訳（メタデータ） (2022-09-06T21:36:57Z)
• Parameter Convex Neural Networks [13.42851919291587]
  本研究では,ある条件下でのニューラルネットワークのパラメータに関して凸である指数的多層ニューラルネットワーク(EMLP)を提案する。 後期実験では,指数グラフ畳み込みネットワーク(EGCN)を同じアーキテクチャで構築し,グラフ分類データセット上で実験を行う。
  論文  参考訳（メタデータ） (2022-06-11T16:44:59Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction [70.31656245793302]
  格子ハイパーグラフ(格子ハイパーグラフ)は、回路のための新しいグラフ定式化である。 LHNNは、F1スコアのU-netやPix2Pixと比べて、35%以上の改善を常に達成している。
  論文  参考訳（メタデータ） (2022-03-24T03:31:18Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Fast Mesh Data Augmentation via Chebyshev Polynomial of Spectral filtering [5.594792814661452]
  ディープニューラルネットワークは、コンピュータビジョンと医療画像解析における強力な学習手法の1つとして認識されている。 実際には、利用可能なトレーニングデータが不十分な場合が多く、データセットを拡張するために拡張が使用される。 本研究では,LB-eigDA(Laplace-Beltrami eigenfunction Data Augmentation)とChebyshev Data Augmentation(C-pDA)の2つの非バイアス拡張手法を提案する。
  論文  参考訳（メタデータ） (2020-10-06T15:18:26Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)

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。