Fugu-MT 論文翻訳(概要): Enhancing Bloodstain Analysis Through AI-Based Segmentation: Leveraging Segment Anything Model for Crime Scene Investigation

論文の概要: Enhancing Bloodstain Analysis Through AI-Based Segmentation: Leveraging Segment Anything Model for Crime Scene Investigation

arxiv url: http://arxiv.org/abs/2308.13979v1
Date: Sun, 27 Aug 2023 01:11:03 GMT
ステータス: 処理完了
システム内更新日: 2023-08-29 17:44:17.299323
Title: Enhancing Bloodstain Analysis Through AI-Based Segmentation: Leveraging Segment Anything Model for Crime Scene Investigation
Title（参考訳）: AIに基づくセグメンテーションによる血痕分析の強化:犯罪現場調査のためのセグメンテーションモデルを活用する
Authors: Zihan Dong and ZhengDong Zhang
Abstract要約: 本稿では,血痕画像のセグメンテーションに対するSAM(Pre-trained and fine-tuned Segment Anything Model)の適用について検討する。実験結果から, 予め訓練したSAMと微調整したSAMの両方が, 良好な精度と効率で血痕画像分割作業を行うことが明らかとなった。本研究は、SAMの血液染色画像セグメンテーションへの応用の可能性を示し、犯罪学研究における人工知能応用の有効性を示す。
参考スコア（独自算出の注目度）: 1.7869154038039061
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Bloodstain pattern analysis plays a crucial role in crime scene investigations by providing valuable information through the study of unique blood patterns. Conventional image analysis methods, like Thresholding and Contrast, impose stringent requirements on the image background and is labor-intensive in the context of droplet image segmentation. The Segment Anything Model (SAM), a recently proposed method for extensive image recognition, is yet to be adequately assessed for its accuracy and efficiency on bloodstain image segmentation. This paper explores the application of pre-trained SAM and fine-tuned SAM on bloodstain image segmentation with diverse image backgrounds. Experiment results indicate that both pre-trained and fine-tuned SAM perform the bloodstain image segmentation task with satisfactory accuracy and efficiency, while fine-tuned SAM achieves an overall 2.2\% accuracy improvement than pre-trained SAM and 4.70\% acceleration in terms of speed for image recognition. Analysis of factors that influence bloodstain recognition is carried out. This research demonstrates the potential application of SAM on bloodstain image segmentation, showcasing the effectiveness of Artificial Intelligence application in criminology research. We release all code and demos at \url{https://github.com/Zdong104/Bloodstain_Analysis_Ai_Tool}
Abstract（参考訳）: 血痕パターン分析は、ユニークな血液パターンの研究を通じて貴重な情報を提供することによって犯罪現場の調査において重要な役割を果たす。 ThresholdingやContrastのような従来の画像解析手法は、画像背景に厳格な要件を課し、ドロップレットイメージセグメンテーションの文脈では労働集約的である。最近提案されている広範な画像認識法であるsegment anything model(sam)は、血痕画像のセグメンテーションの精度と効率について十分に評価されていない。本稿では,予め訓練したSAMと微調整されたSAMの血痕画像分割への応用について検討する。実験結果から、予め訓練されたSAMと微調整されたSAMの両方が、良好な精度と効率で血痕画像セグメンテーションタスクを実行し、微調整されたSAMは、事前訓練されたSAMよりも全体的な2.2\%の精度向上と画像認識の速度の4.70\%の加速を実現していることが示された。血痕認識に影響を与える因子の解析を行う。本研究は、SAMの血液染色画像セグメンテーションへの応用の可能性を示し、犯罪学研究における人工知能応用の有効性を示す。私たちはすべてのコードとデモを \url{https://github.com/zdong104/bloodstain_ analysis_ai_tool} でリリースしています。

関連論文リスト

K-SAM: A Prompting Method Using Pretrained U-Net to Improve Zero Shot Performance of SAM on Lung Segmentation in CXR Images [0.0]
肺領域分割作業におけるSAMのゼロショット性能を自動的プロンプト選択により向上させるアルゴリズムを提案する。提案手法は,事前学習したモデルを用いて迅速な選択を行うことで,SAMの印象的な一般化能力を最大限に活用できることを示唆する。
論文参考訳（メタデータ） (2024-10-09T12:37:12Z)
Towards Cross-Domain Single Blood Cell Image Classification via Large-Scale LoRA-based Segment Anything Model [6.41413650593808]
BC-SAMとして知られる新しい血液細胞像の分類法を提案する。 BC-SAMはLoRAを用いた微調整技術を採用しており、血液細胞画像から一般的な画像埋め込みを抽出することができる。異なる細胞画像データセットにおけるBC-SAMの適用性を高めるために,教師なしクロスドメインオートエンコーダを導入する。
論文参考訳（メタデータ） (2024-08-13T08:20:47Z)
Boosting Medical Image Classification with Segmentation Foundation Model [19.41887842350247]
Segment Anything Model (SAM)は、自然画像のゼロショットセグメンテーションにおいて印象的な機能を示す。 SAMのパワーを医療画像分類に活用する方法を示す研究はない。そこで本研究では,SAMをベースとした斬新な拡張手法であるSAMAug-Cについて紹介する。
論文参考訳（メタデータ） (2024-06-16T17:54:49Z)
Improving Segment Anything on the Fly: Auxiliary Online Learning and Adaptive Fusion for Medical Image Segmentation [52.172885882728174]
医療画像の文脈では、SAMがそのセグメンテーション予測を生成した後、人間の専門家が特定のテストサンプルのセグメンテーションを修正することは珍しくない。我々は、オンライン機械学習の利点を活用して、テスト期間中にSegment Anything(SA)を強化する新しいアプローチを導入する。医用画像におけるSAのセグメンテーション品質を改善することを目的として,オンライン学習のための修正アノテーションを用いた。
論文参考訳（メタデータ） (2024-06-03T03:16:25Z)
MA-SAM: Modality-agnostic SAM Adaptation for 3D Medical Image Segmentation [58.53672866662472]
我々はMA-SAMと命名されたモダリティに依存しないSAM適応フレームワークを提案する。本手法は,重量増加のごく一部だけを更新するためのパラメータ効率の高い微調整戦略に根ざしている。画像エンコーダのトランスバータブロックに一連の3Dアダプタを注入することにより,事前学習した2Dバックボーンが入力データから3次元情報を抽出することができる。
論文参考訳（メタデータ） (2023-09-16T02:41:53Z)
Medical SAM Adapter: Adapting Segment Anything Model for Medical Image Segmentation [51.770805270588625]
Segment Anything Model (SAM)は画像セグメンテーションの分野で最近人気を集めている。近年の研究では、SAMは医用画像のセグメンテーションにおいて過小評価されている。ドメイン固有の医療知識をセグメンテーションモデルに組み込んだ医療SAMアダプタ(Med-SA)を提案する。
論文参考訳（メタデータ） (2023-04-25T07:34:22Z)
Segment Anything Model for Medical Image Analysis: an Experimental Study [19.95972201734614]
Segment Anything Model (SAM) は、ユーザ定義オブジェクトをインタラクティブな方法でセグメント化する基礎モデルである。 SAMの医用画像の分類能力について,各種のモダリティと解剖から,19の医用画像データセットの集合体を用いて評価した。
論文参考訳（メタデータ） (2023-04-20T17:50:18Z)
SAM.MD: Zero-shot medical image segmentation capabilities of the Segment Anything Model [1.1221592576472588]
医用画像のセグメンテーションにおけるセグメンテーションモデル(Segment Anything Model)のゼロショット機能の評価を行った。 SAMはCTデータによく対応し,半自動セグメンテーションツールの進歩の触媒となる可能性が示唆された。
論文参考訳（メタデータ） (2023-04-10T18:20:29Z)
Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文参考訳（メタデータ） (2023-02-03T13:50:25Z)
Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文参考訳（メタデータ） (2020-12-10T04:01:07Z)
Deep Low-Shot Learning for Biological Image Classification and Visualization from Limited Training Samples [52.549928980694695]
In situ hybridization (ISH) gene expression pattern image from the same developmental stage。正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-10-20T06:06:06Z)

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。