論文の概要: Data Augmentation: a Combined Inductive-Deductive Approach featuring
Answer Set Programming
- arxiv url: http://arxiv.org/abs/2310.14413v1
- Date: Sun, 22 Oct 2023 21:02:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 00:02:03.316732
- Title: Data Augmentation: a Combined Inductive-Deductive Approach featuring
Answer Set Programming
- Title(参考訳): データ拡張: Answer Set Programmingを取り入れたインダクティブ・インダクティブ・インダクティブ・アプローチ
- Authors: Pierangela Bruno, Francesco Calimeri, Cinzia Marte and Simona Perri
- Abstract要約: 本稿では,高度なデータ拡張技術を用いて,フォトリアリスティック画像の合成を行うフレームワークを提案する。
得られたラベル付き画像は、生成されたラベルに準拠した写真リアルな画像を作成するためのDeep Learningに基づく専用プロセスを実行する。
- 参考スコア(独自算出の注目度): 1.1060425537315088
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Although the availability of a large amount of data is usually given for
granted, there are relevant scenarios where this is not the case; for instance,
in the biomedical/healthcare domain, some applications require to build huge
datasets of proper images, but the acquisition of such images is often hard for
different reasons (e.g., accessibility, costs, pathology-related variability),
thus causing limited and usually imbalanced datasets. Hence, the need for
synthesizing photo-realistic images via advanced Data Augmentation techniques
is crucial. In this paper we propose a hybrid inductive-deductive approach to
the problem; in particular, starting from a limited set of real labeled images,
the proposed framework makes use of logic programs for declaratively specifying
the structure of new images, that is guaranteed to comply with both a set of
constraints coming from the domain knowledge and some specific desiderata. The
resulting labeled images undergo a dedicated process based on Deep Learning in
charge of creating photo-realistic images that comply with the generated label.
- Abstract(参考訳): 例えば、医学や医療の分野では、いくつかのアプリケーションは適切な画像の巨大なデータセットを構築する必要があるが、そのような画像の取得は、しばしば異なる理由(例えば、アクセシビリティ、コスト、病理学に関連した変数)のために困難であり、制限され、通常は不均衡なデータセットを引き起こす。
したがって、高度なデータ拡張技術による写真リアル画像の合成の必要性が重要となる。
本稿では,この問題に対するハイブリッドな帰納的帰納的アプローチを提案する。特に,限定された実ラベル付き画像から,ドメイン知識と特定のデシダータの両方から生じる制約を満たすことを保証した,新しい画像の構造を宣言的に指定するための論理プログラムを利用する。
得られたラベル付き画像はDeep Learningに基づいて専用プロセスを実行し、生成されたラベルに準拠した写真リアル画像を作成する。
関連論文リスト
- MatchAnything: Universal Cross-Modality Image Matching with Large-Scale Pre-Training [62.843316348659165]
ディープラーニングに基づく画像マッチングアルゴリズムは、人間を劇的に上回り、大量の対応を素早く正確に見つける。
本稿では, 画像間の基本構造を認識し, 一致させるためのモデル学習のために, 合成モード間学習信号を利用する大規模事前学習フレームワークを提案する。
我々の重要な発見は、我々のフレームワークで訓練されたマッチングモデルが、目に見えない8つのクロスモダリティ登録タスクにまたがる顕著な一般化性を達成することである。
論文 参考訳(メタデータ) (2025-01-13T18:37:36Z) - Efficient MedSAMs: Segment Anything in Medical Images on Laptop [69.28565867103542]
我々は,迅速な医用画像のセグメンテーションに特化した初の国際コンペを組織した。
トップチームは軽量なセグメンテーション基盤モデルを開発し、効率的な推論パイプラインを実装した。
最高のパフォーマンスのアルゴリズムは、臨床導入を促進するために、ユーザフレンドリーなインターフェースを備えたオープンソースソフトウェアに組み込まれている。
論文 参考訳(メタデータ) (2024-12-20T17:33:35Z) - Generative AI Enables Medical Image Segmentation in Ultra Low-Data Regimes [35.151834585823224]
本稿では,高品質なセグメンテーションマスクと医用画像を一意に生成する生成的深層学習フレームワークを提案する。
データ生成とセグメンテーションモデルを個別のプロセスとして扱う従来の生成モデルとは異なり、本手法ではエンドツーエンドのデータ生成にマルチレベル最適化を用いる。
提案手法は,9種類の医用画像分割タスクと16のデータセットに対して,超低速データレギュレーションにおいて高い一般化性能を示した。
論文 参考訳(メタデータ) (2024-08-30T17:11:36Z) - Discriminative Hamiltonian Variational Autoencoder for Accurate Tumor Segmentation in Data-Scarce Regimes [2.8498944632323755]
医用画像分割のためのエンドツーエンドハイブリッドアーキテクチャを提案する。
ハミルトン変分オートエンコーダ(HVAE)と識別正則化を用いて生成画像の品質を向上する。
我々のアーキテクチャはスライス・バイ・スライス・ベースで3Dボリュームを分割し、リッチな拡張データセットをカプセル化する。
論文 参考訳(メタデータ) (2024-06-17T15:42:08Z) - An expert-driven data generation pipeline for histological images [7.219732640188684]
本稿では,セルセグメンテーションのための合成データセットを生成する新しいパイプラインを提案する。
注釈付き画像のほんの一握りしか持たないため,本手法では,DLインスタンス分割モデルのトレーニングに使用できる大規模なデータセットを生成する。
論文 参考訳(メタデータ) (2024-06-03T15:05:08Z) - Exposure Bracketing Is All You Need For A High-Quality Image [50.822601495422916]
マルチ露光画像は、デノイング、デブロアリング、高ダイナミックレンジイメージング、超解像において相補的である。
本研究では,これらの課題を組み合わせ,高品質な画像を得るために露光ブラケット写真を活用することを提案する。
特に時間変調リカレントネットワーク(TMRNet)と自己教師あり適応手法を提案する。
論文 参考訳(メタデータ) (2024-01-01T14:14:35Z) - Cones 2: Customizable Image Synthesis with Multiple Subjects [50.54010141032032]
本研究では,特定の対象を効率的に表現する方法と,異なる対象を適切に構成する方法について検討する。
クロスアテンションマップ内のアクティベーションを修正することにより、レイアウトはイメージ内の異なる被写体の位置を指定して分離する。
論文 参考訳(メタデータ) (2023-05-30T18:00:06Z) - This Intestine Does Not Exist: Multiscale Residual Variational
Autoencoder for Realistic Wireless Capsule Endoscopy Image Generation [7.430724826764835]
新規な変分オートエンコーダアーキテクチャ,すなわち "This Intestine Don Not Exist" (TIDE) を提案する。
提案アーキテクチャは,マルチスケールな特徴抽出畳み込みブロックと残差接続を備え,高品質で多様なデータセットの生成を可能にする。
利用可能なデータセットの増大を指向した現在のアプローチとは対照的に,本研究では,TIDEを用いて実際のWCEデータセットを完全に置換できることを実証する。
論文 参考訳(メタデータ) (2023-02-04T11:49:38Z) - Retrieval-based Spatially Adaptive Normalization for Semantic Image
Synthesis [68.1281982092765]
本稿では,Retrieval-based spatially AdaptIve normalization (RESAIL) と呼ばれる新しい正規化モジュールを提案する。
RESAILは、正規化アーキテクチャに対するピクセルレベルのきめ細かいガイダンスを提供する。
いくつかの挑戦的なデータセットの実験により、RESAILは定量的メトリクス、視覚的品質、主観的評価の観点から、最先端技術に対して好意的に機能することが示された。
論文 参考訳(メタデータ) (2022-04-06T14:21:39Z) - Label Assistant: A Workflow for Assisted Data Annotation in Image
Segmentation Tasks [0.8135412538980286]
本稿では,アノテーションプロセスを支援する汎用ワークフローを提案し,抽象レベルでメソッドについて議論する。
これにより、将来性のあるサンプル、画像前処理、ラベル前処理、ラベル検査、アノテーションの後処理などに焦点を当てる可能性について検討する。
さらに,ハイブリッドタッチスクリーン/ラップトップデバイスにネストしたフレキシブルで拡張可能なソフトウェアプロトタイプの開発により,提案手法の実装を提案する。
論文 参考訳(メタデータ) (2021-11-27T19:08:25Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳(メタデータ) (2020-04-30T03:23:45Z)
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。