論文の概要: Deep spatial context: when attention-based models meet spatial
regression
- arxiv url: http://arxiv.org/abs/2401.10044v2
- Date: Sun, 10 Mar 2024 16:37:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 14:42:15.544564
- Title: Deep spatial context: when attention-based models meet spatial
regression
- Title(参考訳): 深部空間文脈:注意に基づくモデルが空間回帰に適合する場合
- Authors: Paulina Tomaszewska, El\.zbieta Sienkiewicz, Mai P. Hoang,
Przemys{\l}aw Biecek
- Abstract要約: 深部空間コンテキスト(DSCon)法は,空間コンテキストの概念を用いた注意に基づく視覚モデルの研究に役立つ。
病理学者にヒントを得たものであるが、様々な領域に応用できる。
- 参考スコア(独自算出の注目度): 8.90978723839271
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose 'Deep spatial context' (DSCon) method, which serves for
investigation of the attention-based vision models using the concept of spatial
context. It was inspired by histopathologists, however, the method can be
applied to various domains. The DSCon allows for a quantitative measure of the
spatial context's role using three Spatial Context Measures: $SCM_{features}$,
$SCM_{targets}$, $SCM_{residuals}$ to distinguish whether the spatial context
is observable within the features of neighboring regions, their target values
(attention scores) or residuals, respectively. It is achieved by integrating
spatial regression into the pipeline. The DSCon helps to verify research
questions. The experiments reveal that spatial relationships are much bigger in
the case of the classification of tumor lesions than normal tissues. Moreover,
it turns out that the larger the size of the neighborhood taken into account
within spatial regression, the less valuable contextual information is.
Furthermore, it is observed that the spatial context measure is the largest
when considered within the feature space as opposed to the targets and
residuals.
- Abstract(参考訳): 本研究では,空間コンテキストの概念を用いた注目型視覚モデルの研究を支援する「深部空間コンテキスト(DSCon)」手法を提案する。
病理学者にヒントを得たものであるが、様々な領域に応用できる。
dsconは、3つの空間的文脈尺度を用いて空間的文脈の役割を定量的に測定することができる: $scm_{features}$, $scm_{targets}$, $scm_{residuals}$ 空間的文脈が隣接する領域の特徴内で観測可能か、その目標値(アテンションスコア)か残差かを識別する。
パイプラインに空間回帰を統合することで実現される。
DSConは研究課題の検証を支援する。
実験の結果,正常組織よりも腫瘍病変の分類において空間的関係がはるかに大きいことが明らかとなった。
さらに,空間的回帰の中で考慮される近傍の大きさが大きいほど,価値の低い文脈情報が得られることが判明した。
さらに, 空間的文脈測度は, 対象や残差に対して, 特徴空間内で考える場合, 最大であることがわかった。
関連論文リスト
- Towards Spatially-Lucid AI Classification in Non-Euclidean Space: An
Application for MxIF Oncology Data [3.0566763412020714]
異なる場所タイプの複数カテゴリの点集合が与えられた場合、我々のゴールは空間分解型分類器を開発することである。
この問題は、腫瘍と腫瘍の関係を解析し、新しい免疫療法を設計するために、腫瘍学などの多くの応用において重要である。
我々は、重み付き距離学習率や空間領域適応など、異なるトレーニング戦略を明示的に用いた空間アンサンブルフレームワークを探索する。
論文 参考訳(メタデータ) (2024-02-22T21:22:21Z) - More than Correlation: Do Large Language Models Learn Causal
Representations of Space? [6.293100288400849]
本研究では,大規模言語モデルにおける空間表現の因果関係を明らかにすることに焦点を当てた。
実験の結果,空間表現が次の単語予測におけるモデルの性能に影響を与え,地理空間情報に依存する下流課題が示された。
論文 参考訳(メタデータ) (2023-12-26T01:27:29Z) - Deep Spatial Domain Generalization [8.102110157532556]
本研究では,空間データをグラフとして扱う空間グラフニューラルネットワークを開発し,各ノードに空間埋め込みを学習する。
提案手法は,テストフェーズ中に見つからない位置の空間埋め込みを推定し,下流タスクモデルのパラメータを目標位置に直接デコードする。
論文 参考訳(メタデータ) (2022-10-03T06:16:20Z) - Analyzing the Latent Space of GAN through Local Dimension Estimation [4.688163910878411]
高忠実度画像合成におけるスタイルベースGAN(StyleGAN)は、それらの潜在空間の意味的特性を理解するために研究の動機となっている。
事前学習したGANモデルにおける任意の中間層に対する局所次元推定アルゴリズムを提案する。
提案した計量はDistortionと呼ばれ、学習された潜在空間上の内在空間の不整合を測定する。
論文 参考訳(メタデータ) (2022-05-26T06:36:06Z) - Incorporating Texture Information into Dimensionality Reduction for
High-Dimensional Images [65.74185962364211]
距離ベース次元削減手法に周辺情報を組み込む手法を提案する。
画像パッチを比較する異なる手法の分類に基づいて,様々なアプローチを探索する。
論文 参考訳(メタデータ) (2022-02-18T13:17:43Z) - The Geometry of Robust Value Functions [119.94715309072983]
非ロバストな値空間とロバストな値空間の両方を特徴付ける新しい視点を導入する。
我々は、ロバストな値空間が、一つの状態に一致するすべてのポリシーのロバストな値を含む集合の円錐超曲面によって決定されることを示す。
論文 参考訳(メタデータ) (2022-01-30T22:12:17Z) - SpaceMeshLab: Spatial Context Memoization and Meshgrid Atrous
Convolution Consensus for Semantic Segmentation [11.571698215510152]
入力次元を保ち、その空間コンテキストを常に伝達することにより、空間コンテキストに対するバイパス分岐を提案する。
また,Meshgrid Atrous Convolution Consensus (MetroCon2)を提案する。
論文 参考訳(メタデータ) (2021-06-08T00:38:02Z) - Bi-Dimensional Feature Alignment for Cross-Domain Object Detection [71.85594342357815]
教師なしクロスドメイン検出モデルを提案する。
ソースドメインのアノテーション付きデータを利用して、異なるターゲットドメインに対してオブジェクト検出器をトレーニングする。
提案モデルでは、オブジェクト検出のためのクロスドメイン表現のばらつきを緩和する。
論文 参考訳(メタデータ) (2020-11-14T03:03:11Z) - SIRI: Spatial Relation Induced Network For Spatial Description
Resolution [64.38872296406211]
言語誘導型ローカライゼーションのための新しい関係誘導型ネットワーク(SIRI)を提案する。
提案手法は,80ピクセルの半径で測定した精度で,最先端手法よりも約24%優れていた。
提案手法は,Touchdownと同じ設定で収集した拡張データセットをうまく一般化する。
論文 参考訳(メタデータ) (2020-10-27T14:04:05Z) - From Spatial Relations to Spatial Configurations [64.21025426604274]
空間関係言語は、推論に不可欠な、大きく包括的な空間概念の集合を表現することができる。
本稿では,既存の空間表現言語の機能を,セマンティクスのきめ細かい分解によって拡張する方法について述べる。
論文 参考訳(メタデータ) (2020-07-19T02:11:53Z) - Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。
教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。
我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
論文 参考訳(メタデータ) (2020-03-29T09:03:23Z)
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。