論文の概要: Topology-Aware Uncertainty for Image Segmentation

• arxiv url: http://arxiv.org/abs/2306.05671v3
• Date: Mon, 30 Oct 2023 05:08:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-01 23:44:03.236142
• Title: Topology-Aware Uncertainty for Image Segmentation
• Title（参考訳）: 画像セグメンテーションにおけるトポロジー認識の不確かさ
• Authors: Saumya Gupta, Yikai Zhang, Xiaoling Hu, Prateek Prasanna and Chao Chen
• Abstract要約: このようなタスクに対する不確実性の推定に重点を置いているので、人間のアノテータが検証できるように、非常に不確実でエラーを起こしやすい構造を特定できる。 本稿では,隣接する構造物を考慮に入れながら構造物の不確かさを推定する共同予測モデルを提案する。 また,各構造に固有の不確かさをモデル化する新しい確率的DMTを提案する。
• 参考スコア（独自算出の注目度）: 19.248891926246383
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Segmentation of curvilinear structures such as vasculature and road networks is challenging due to relatively weak signals and complex geometry/topology. To facilitate and accelerate large scale annotation, one has to adopt semi-automatic approaches such as proofreading by experts. In this work, we focus on uncertainty estimation for such tasks, so that highly uncertain, and thus error-prone structures can be identified for human annotators to verify. Unlike most existing works, which provide pixel-wise uncertainty maps, we stipulate it is crucial to estimate uncertainty in the units of topological structures, e.g., small pieces of connections and branches. To achieve this, we leverage tools from topological data analysis, specifically discrete Morse theory (DMT), to first capture the structures, and then reason about their uncertainties. To model the uncertainty, we (1) propose a joint prediction model that estimates the uncertainty of a structure while taking the neighboring structures into consideration (inter-structural uncertainty); (2) propose a novel Probabilistic DMT to model the inherent uncertainty within each structure (intra-structural uncertainty) by sampling its representations via a perturb-and-walk scheme. On various 2D and 3D datasets, our method produces better structure-wise uncertainty maps compared to existing works. Code available at https://github.com/Saumya-Gupta-26/struct-uncertainty
• Abstract（参考訳）: 比較的弱い信号と複雑な幾何学・トポロジーのため, 血管や道路網などの曲線構造のセグメンテーションは困難である。 大規模なアノテーションを容易かつ加速するためには、専門家による証明読取のような半自動的なアプローチを採用する必要がある。 本研究では,このようなタスクに対する不確実性評価に焦点をあて,高い不確かさとエラー発生構造を人間のアノテータが検証できるようにする。 ピクセルワイズ不確実性マップを提供する既存の多くの作品とは異なり、我々は、例えば小さな接続や枝などの位相構造の単位における不確かさを推定することが重要であると規定している。 これを実現するために、我々は、トポロジカルデータ解析、特に離散モース理論(DMT)のツールを活用し、まず構造を捉え、その不確実性を推論する。 この不確かさをモデル化するために,(1)隣接構造物を考慮しながら構造物の不確かさを推定する共同予測モデル(構造間不確実性)を提案し,(2)その表現を摂動・歩行スキームでサンプリングし,各構造物内固有の不確かさをモデル化する新しい確率的dmtを提案する。 様々な2次元および3次元データセットにおいて,本手法は既存手法と比較して構造的不確実性マップを生成する。 コードはhttps://github.com/saumya-gupta-26/struct-uncertaintyで利用可能

関連論文リスト

• Rigorous Probabilistic Guarantees for Robust Counterfactual Explanations [80.86128012438834]
  モデルシフトに対する反ファクトの堅牢性を計算することはNP完全であることを示す。 本稿では,頑健性の厳密な推定を高い保証で実現する新しい確率論的手法を提案する。
  論文  参考訳（メタデータ） (2024-07-10T09:13:11Z)
• Learning Topological Representations for Deep Image Understanding [8.698159165261542]
  深層学習フレームワークにおけるトポロジカル構造の新しい表現法を提案する。 我々は、トポロジカルデータ解析の数学的ツールを活用し、より良いセグメンテーションと不確実性推定のための原理的手法を開発した。
  論文  参考訳（メタデータ） (2024-03-22T17:23:37Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• Shape Completion with Prediction of Uncertain Regions [4.689234879218989]
  特に、曖昧な対象ビューが与えられたとき、対象部分全体の存在について、拡張された領域に既約不確実性が存在する可能性がある。 本研究では,局所的な空間占有率を予測する手法の任意の拡張法として,そのような不確実な領域を予測するための2つの新しい手法を提案する。 我々は、このデータセットをトレーニングし、既知の、新しいオブジェクトインスタンスに対する不確実な領域の形状の完了と予測において、各メソッドをテストする。
  論文  参考訳（メタデータ） (2023-08-01T08:40:40Z)
• Elongated Physiological Structure Segmentation via Spatial and Scale Uncertainty-aware Network [28.88756808141357]
  本研究では,空間的・大規模不確実性認識ネットワーク(SSU-Net)を提案する。 実験の結果,SSU-Netは角膜内皮細胞と網膜血管の分節機能に優れていた。
  論文  参考訳（メタデータ） (2023-05-30T08:57:31Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)
• Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
  2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
  論文  参考訳（メタデータ） (2021-01-05T18:54:11Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)
• Sparse representation for damage identification of structural systems [11.397437423613418]
  モデル更新とスパース損傷識別のための2段階感度解析に基づく新しいフレームワークを提案する。 次に、準$ell法上に構築されたスパース表現パイプラインを、損傷と局所化定量化のために提示する。 提案手法は, 構造損傷の局所化と定量化の両方を高精度に行うことができることを示す。
  論文  参考訳（メタデータ） (2020-06-06T18:04:35Z)
• A General Framework for Consistent Structured Prediction with Implicit Loss Embeddings [113.15416137912399]
  構造化予測のための理論的・アルゴリズム的な枠組みを提案し,解析する。 問題に対して適切な幾何を暗黙的に定義する、損失関数の大規模なクラスについて検討する。 出力空間を無限の濃度で扱うとき、推定子の適切な暗黙の定式化が重要であることが示される。
  論文  参考訳（メタデータ） (2020-02-13T10:30:04Z)

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。