Fugu-MT 論文翻訳(概要): A Parts Based Registration Loss for Detecting Knee Joint Areas

論文の概要: A Parts Based Registration Loss for Detecting Knee Joint Areas

arxiv url: http://arxiv.org/abs/2307.00083v1
Date: Fri, 30 Jun 2023 18:39:57 GMT
ステータス: 処理完了
システム内更新日: 2023-07-05 18:12:37.380066
Title: A Parts Based Registration Loss for Detecting Knee Joint Areas
Title（参考訳）: 膝関節領域検出のための部品ベースレジストレーション損失
Authors: Juha Tiirola
Abstract要約: 膝関節領域の微細な記録には, 部分的喪失が考慮されている。テスト画像では、検出された部品は、基準画像の対応する部品と同じような空間構成を推奨する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, a parts based loss is considered for finetune registering knee joint areas. Here the parts are defined as abstract feature vectors with location and they are automatically selected from a reference image. For a test image the detected parts are encouraged to have a similar spatial configuration than the corresponding parts in the reference image.
Abstract（参考訳）: 本稿では, 膝関節部を微細化するためのパーツベース損失について検討する。ここで、部品は位置を持つ抽象特徴ベクトルとして定義され、参照画像から自動的に選択される。テスト画像では、検出された部品は、基準画像の対応する部品と同じような空間構成を推奨する。

関連論文リスト

Revisit Anything: Visual Place Recognition via Image Segment Retrieval [8.544326445217369]
既存の視覚的場所認識パイプラインは、"全体"イメージをエンコードし、マッチを検索する。画像全体の代わりに「画像セグメント」をエンコードして検索することで、この問題に対処する。これらの部分的表現を検索すると、通常の画像ベース検索よりも認識リコールが大幅に高くなることを示す。
論文参考訳（メタデータ） (2024-09-26T16:49:58Z)
Unsupervised Part Discovery via Dual Representation Alignment [31.100169532078095]
オブジェクト部分は、様々な下流タスクにおいて重要な中間表現として機能します。これまでの研究によると、Vision Transformerはラベルなしでインスタンスレベルの注意を学習できる。本稿では,新しいパラダイムを用いた非教師なし部分特異的アテンション学習を実現する。
論文参考訳（メタデータ） (2024-08-15T12:11:20Z)
Few Shot Part Segmentation Reveals Compositional Logic for Industrial Anomaly Detection [11.996050578189056]
本稿では,論理異常(LA)検出のための新しいコンポーネントセグメンテーションモデルを提案する。ラベル付き画像間の一貫したセグメンテーションを確保するために,エントロピーロスと合わせてヒストグラムマッチングロスを用いる。 LAを効果的に検出するために,異なるメモリバンクからの異常スコアを推論で標準化する適応スケーリング手法を提案する。
論文参考訳（メタデータ） (2023-12-21T12:14:31Z)
Region-based Contrastive Pretraining for Medical Image Retrieval with Anatomic Query [56.54255735943497]
医用画像検索のための地域別コントラスト事前トレーニング(RegionMIR) 医用画像検索のための領域ベースコントラスト事前トレーニング(RegionMIR)について紹介する。
論文参考訳（メタデータ） (2023-05-09T16:46:33Z)
Spatial Correspondence between Graph Neural Network-Segmented Images [1.807691213023136]
医用画像分割のためのグラフニューラルネットワーク(GNN)が提案されている。本研究は,空間対応を確立するための共通トポロジを用いて,これらのGNNのポテンシャルについて検討する。 CT画像における局所椎体サブリージョンの登録例を例に,GNNをベースとしたセグメンテーションが正確かつ信頼性の高いローカライゼーションを実現することを示す実験結果を得た。
論文参考訳（メタデータ） (2023-03-12T03:25:01Z)
Joint segmentation and discontinuity-preserving deformable registration: Application to cardiac cine-MR images [74.99415008543276]
多くの深層学習に基づく登録法は、変形場は画像領域の至る所で滑らかで連続的であると仮定する。本研究では,この課題に対処するために,不連続かつ局所的に滑らかな変形場を確保するための新しい不連続保存画像登録手法を提案する。入力画像の構造的相関を学習するために,ネットワークのセグメンテーション成分にコアテンションブロックを提案する。大規模心磁気共鳴画像系列を用いた物体内時間画像登録の課題について検討した。
論文参考訳（メタデータ） (2022-11-24T23:45:01Z)
The Role of Local Alignment and Uniformity in Image-Text Contrastive Learning on Medical Images [7.49320945341034]
局所的なコントラスト損失がグローバルな(サンプルごとの)コントラスト損失とどのように関連し、局所的な医療ダウンストリームタスクにどのような影響があるかを検討する。理論的比較に基づき、局所的な損失のいくつかの成分を除去し、新しい分布に置き換えることを提案する。胸部X線課題に対するこのアプローチを実証的に研究し,12タスク中12タスクにおいて局所的な損失を伴わずに,極めて効果的かつ優れた手法であることが確認された。
論文参考訳（メタデータ） (2022-11-14T10:32:51Z)
3D Compositional Zero-shot Learning with DeCompositional Consensus [102.7571947144639]
我々は、部分的知識は観察されたオブジェクトクラスを超えて構成可能であるべきだと論じる。本稿では、視覚から見えないオブジェクトクラスへの部分一般化の問題として、3D合成ゼロショット学習を提案する。
論文参考訳（メタデータ） (2021-11-29T16:34:53Z)
Unsupervised Part Discovery from Contrastive Reconstruction [90.88501867321573]
自己監督型視覚表現学習の目標は、強く伝達可能な画像表現を学習することである。対象部分の発見とセグメンテーションに対する教師なしアプローチを提案する。本手法は, 細粒度, 視覚的に異なるカテゴリ間でセマンティックな部分を生成する。
論文参考訳（メタデータ） (2021-11-11T17:59:42Z)
Unsupervised Pose-Aware Part Decomposition for 3D Articulated Objects [68.73163598790255]
本研究では,機械的関節を有する人工関節オブジェクトを対象とする新しい環境に対処するため,PD(unsupervised Pose-aware Part Decomposition)を提案する。本研究は,(1)非原始的な暗黙的表現による部分分解の教師なし学習を促進させ,(2)単一フレーム形状の監督下での協調パラメータとして機能することを示す。
論文参考訳（メタデータ） (2021-10-08T23:53:56Z)
Non-Rigid Puzzles [50.213265511586535]
非剛性多部形状マッチングアルゴリズムを提案する。非剛性変形中の参照形状とその複数の部品が与えられると仮定する。合成法と実走査法の実験結果から,本手法の有効性が示された。
論文参考訳（メタデータ） (2020-11-26T00:32:30Z)

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。