論文の概要: Self-supervised Landmark Learning with Deformation Reconstruction and
Cross-subject Consistency Objectives
- arxiv url: http://arxiv.org/abs/2308.04987v1
- Date: Wed, 9 Aug 2023 14:40:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-10 13:24:55.896032
- Title: Self-supervised Landmark Learning with Deformation Reconstruction and
Cross-subject Consistency Objectives
- Title（参考訳）: 変形再構成とクロスサブジェクト一貫性目標を用いた自己教師付きランドマーク学習
- Authors: Chun-Hung Chao and Marc Niethammer
- Abstract要約: ポイント分布モデル(PDM)の登録モデルからランドマーク点を抽出する自己教師型アプローチを提案する。
複雑な変形を持つデータは、限られた数の点のみを用いて影響のあるランドマークポイントを抽出する場合に、ポイントベース登録で容易にモデル化できないと我々は主張する。
- 参考スコア（独自算出の注目度）: 19.607668635077502
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A Point Distribution Model (PDM) is the basis of a Statistical Shape Model
(SSM) that relies on a set of landmark points to represent a shape and
characterize the shape variation. In this work, we present a self-supervised
approach to extract landmark points from a given registration model for the
PDMs. Based on the assumption that the landmarks are the points that have the
most influence on registration, existing works learn a point-based registration
model with a small number of points to estimate the landmark points that
influence the deformation the most. However, such approaches assume that the
deformation can be captured by point-based registration and quality landmarks
can be learned solely with the deformation capturing objective. We argue that
data with complicated deformations can not easily be modeled with point-based
registration when only a limited number of points is used to extract
influential landmark points. Further, landmark consistency is not assured in
existing approaches In contrast, we propose to extract landmarks based on a
given registration model, which is tailored for the target data, so we can
obtain more accurate correspondences. Secondly, to establish the anatomical
consistency of the predicted landmarks, we introduce a landmark discovery loss
to explicitly encourage the model to predict the landmarks that are
anatomically consistent across subjects. We conduct experiments on an
osteoarthritis progression prediction task and show our method outperforms
existing image-based and point-based approaches.
- Abstract（参考訳）: 点分布モデル(英: Point Distribution Model, PDM)は、統計形状モデル(英: Statistical Shape Model, SSM)の基礎であり、形状を表現し、形状の変化を特徴付けるためのランドマーク点の集合に依存する。
本研究では, PDMの登録モデルからランドマーク点を抽出する自己教師型手法を提案する。
ランドマークが登録に最も影響を与えるポイントであるという仮定に基づいて、既存の作品は、変形に最も影響を及ぼすランドマークポイントを推定するために、少数のポイントを持つポイントベースの登録モデルを学ぶ。
しかし、このようなアプローチでは、変形をポイントベースの登録によって捉えることができ、品質のランドマークは変形キャプチャの目的だけで学習できると仮定する。
複雑な変形を持つデータは、限られた数の点のみを用いて影響のあるランドマークポイントを抽出する場合、ポイントベース登録で容易にモデル化できない。
さらに,既存の手法ではランドマーク一貫性が保証されていないため,対象データ用に調整された所定の登録モデルに基づいてランドマークを抽出することで,より正確な対応を得ることができる。
第2に,予測されたランドマークの解剖学的一貫性を確立するために,ランドマーク発見ロスを導入し,対象者間で解剖学的に一貫性のあるランドマークを予測するようにモデルに明示的に推奨する。
変形性関節症進行予測タスクの実験を行い,既存の画像ベースおよびポイントベースアプローチに勝ることを示す。
関連論文リスト
- FM-OSD: Foundation Model-Enabled One-Shot Detection of Anatomical Landmarks [44.54301473673582]
医用画像のランドマーク検出を高精度に行うための,最初の基礎モデル付きワンショットランドマーク検出(FM-OSD)フレームワークを提案する。
本手法は,単一のテンプレート画像のみを用いることで,最先端のワンショットランドマーク検出法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-07-07T15:37:02Z) - Point Deformable Network with Enhanced Normal Embedding for Point Cloud
Analysis [59.12922158979068]
近年,ポイントクラウド解析において高い性能を示す手法が提案されている。
単純なアーキテクチャは局所的な点群で幾何学的特徴を学ぶことができるが、長距離依存を直接モデル化することができない。
本稿では,表現能力の強い長距離関係を捉えるために,PDNet(Point Deformable Network)を提案する。
論文 参考訳（メタデータ） (2023-12-20T14:52:07Z) - Exploiting Point-Wise Attention in 6D Object Pose Estimation Based on
Bidirectional Prediction [22.894810893732416]
本稿では,ポイントワイズ対応機構を備えた双方向対応予測ネットワークを提案する。
私たちの重要な洞察は、各モデルポイントとシーンポイントの相関が、ポイントペアマッチの学習に不可欠な情報を提供するということです。
LineMOD, YCB-Video, Occ-LineMODの公開データセットに対する実験結果から, 提案手法が他の最先端手法よりも優れた性能を実現することを示す。
論文 参考訳（メタデータ） (2023-08-16T17:13:45Z) - Watermarking for Out-of-distribution Detection [76.20630986010114]
Out-of-Distribution (OOD) 検出は、よく訓練された深層モデルから抽出された表現に基づいてOODデータを識別することを目的としている。
本稿では,透かしという一般的な手法を提案する。
我々は,元データの特徴に重畳される統一パターンを学習し,ウォーターマーキング後にモデルの検出能力が大きく向上する。
論文 参考訳（メタデータ） (2022-10-27T06:12:32Z) - Towards Self-Supervised Category-Level Object Pose and Size Estimation [121.28537953301951]
本研究は,一深度画像からのカテゴリレベルのオブジェクトポーズとサイズ推定のための自己教師型フレームワークを提案する。
我々は、同じ形状の点雲における幾何学的整合性を利用して自己超越する。
論文 参考訳（メタデータ） (2022-03-06T06:02:30Z) - SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object
Detection [78.90102636266276]
SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。
そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。
実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
論文 参考訳（メタデータ） (2022-01-06T08:54:47Z) - Geometry-Aware Self-Training for Unsupervised Domain Adaptationon Object
Point Clouds [36.49322708074682]
本稿では,オブジェクトポイントクラウド分類の教師なし領域適応のためのジオメトリ・アウェア・セルフトレーニング(GAST)を提案する。
具体的には,2つの自己監督型幾何学的学習タスクを特徴正規化として,意味カテゴリーのドメイン共有表現を学習することを目的とする。
一方、データセット間の多様な点分布は、新しい曲率認識歪みの局所化によって正規化することができる。
論文 参考訳（メタデータ） (2021-08-20T13:29:11Z) - Attention-based Vehicle Self-Localization with HD Feature Maps [13.368212933272238]
本稿では,ポイントベースディープニューラルネットワークを用いた車両の自己局在化手法を提案する。
我々のアプローチは、車両の姿勢を推測するために、高解像度のデジタルマップからランドマーク(ランドマーク)の測定と点特徴を処理します。
論文 参考訳（メタデータ） (2021-07-16T09:25:25Z) - 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) - Point-Set Anchors for Object Detection, Instance Segmentation and Pose
Estimation [85.96410825961966]
中心点から抽出された画像の特徴は、離れたキーポイントや境界ボックスの境界を予測するための限られた情報を含んでいると論じる。
推論を容易にするために,より有利な位置に配置された点集合からの回帰を行うことを提案する。
我々は、オブジェクト検出、インスタンス分割、人間のポーズ推定にPoint-Set Anchorsと呼ばれるこのフレームワークを適用した。
論文 参考訳（メタデータ） (2020-07-06T15:59:56Z)
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。