Fugu-MT 論文翻訳(概要): DUE: Dynamic Uncertainty-Aware Explanation Supervision via 3D Imputation

論文の概要: DUE: Dynamic Uncertainty-Aware Explanation Supervision via 3D Imputation

arxiv url: http://arxiv.org/abs/2403.10831v1
Date: Sat, 16 Mar 2024 06:49:32 GMT
ステータス: 処理完了
システム内更新日: 2024-03-19 21:35:14.971219
Title: DUE: Dynamic Uncertainty-Aware Explanation Supervision via 3D Imputation
Title（参考訳）: DUE:3Dインプットによる動的不確かさを意識した説明スーパービジョン
Authors: Qilong Zhao, Yifei Zhang, Mengdan Zhu, Siyi Gu, Yuyang Gao, Xiaofeng Yang, Liang Zhao,
Abstract要約: 本稿では3次元説明指導のための動的不確実性対応説明監督(DUE)フレームワークを提案する。提案手法は,様々な実世界の医療画像データセットに関する総合的な実験を通じて検証される。
参考スコア（独自算出の注目度）: 12.96084790953902
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Explanation supervision aims to enhance deep learning models by integrating additional signals to guide the generation of model explanations, showcasing notable improvements in both the predictability and explainability of the model. However, the application of explanation supervision to higher-dimensional data, such as 3D medical images, remains an under-explored domain. Challenges associated with supervising visual explanations in the presence of an additional dimension include: 1) spatial correlation changed, 2) lack of direct 3D annotations, and 3) uncertainty varies across different parts of the explanation. To address these challenges, we propose a Dynamic Uncertainty-aware Explanation supervision (DUE) framework for 3D explanation supervision that ensures uncertainty-aware explanation guidance when dealing with sparsely annotated 3D data with diffusion-based 3D interpolation. Our proposed framework is validated through comprehensive experiments on diverse real-world medical imaging datasets. The results demonstrate the effectiveness of our framework in enhancing the predictability and explainability of deep learning models in the context of medical imaging diagnosis applications.
Abstract（参考訳）: 説明監督は,モデルの予測可能性と説明可能性の両方において顕著な改善を示すとともに,モデル説明の生成を導くために追加信号を統合することにより,ディープラーニングモデルを強化することを目的としている。しかし,3次元医用画像などの高次元データへの説明監督の適用は,未探索領域のままである。追加の次元が存在する場合の視覚的説明の監督に関する課題には、以下のものがある。 1)空間的相関は変化した。 2【直接3Dアノテーションの欠如】 3)不確実性は説明の様々な部分によって異なる。これらの課題に対処するために,拡散に基づく3次元補間処理を用いた疎アノテーション3次元データを扱う際に,不確実性を考慮した説明指導を確実にする3次元説明監督のための動的不確実性対応説明監督(DUE)フレームワークを提案する。提案手法は,様々な実世界の医療画像データセットに関する総合的な実験を通じて検証される。本研究は,医用画像診断におけるディープラーニングモデルの予測可能性と説明可能性を高めるための枠組みの有効性を示すものである。

関連論文リスト

4D Contrastive Superflows are Dense 3D Representation Learners [62.433137130087445]
我々は,LiDARとカメラのペアを連続的に利用して事前学習の目的を確立するための,新しいフレームワークであるSuperFlowを紹介する。学習効率をさらに向上するため,カメラビューから抽出した知識の整合性を高めるプラグイン・アンド・プレイ・ビュー・一貫性モジュールを組み込んだ。
論文参考訳（メタデータ） (2024-07-08T17:59:54Z)
Enhancing Generalizability of Representation Learning for Data-Efficient 3D Scene Understanding [50.448520056844885]
本研究では,実世界のパターンを持つ多様な合成シーンを生成可能なベイズネットワークを提案する。一連の実験は、既存の最先端の事前学習手法に比べて、我々の手法が一貫した優位性を示す。
論文参考訳（メタデータ） (2024-06-17T07:43:53Z)
GEOcc: Geometrically Enhanced 3D Occupancy Network with Implicit-Explicit Depth Fusion and Contextual Self-Supervision [49.839374549646884]
本稿では,視覚のみのサラウンドビュー知覚に適したジオメトリ強化OccupancyネットワークであるGEOccについて述べる。提案手法は,Occ3D-nuScenesデータセット上で,画像解像度が最小で,画像バックボーンが最大である状態-Of-The-Art性能を実現する。
論文参考訳（メタデータ） (2024-05-17T07:31:20Z)
OV-Uni3DETR: Towards Unified Open-Vocabulary 3D Object Detection via Cycle-Modality Propagation [67.56268991234371]
OV-Uni3DETRは、様々なシナリオにおける最先端のパフォーマンスを達成し、既存のメソッドを平均6%以上上回っている。コードと事前訓練されたモデルは、後にリリースされる。
論文参考訳（メタデータ） (2024-03-28T17:05:04Z)
An explainable three dimension framework to uncover learning patterns: A unified look in variable sulci recognition [2.960322639147262]
3次元(3D)大域的な説明は神経イメージングに不可欠である。我々は、堅牢で忠実で、複雑でないグローバルな説明を提供する、説明可能な人工知能(XAI)の3Dフレームワークを開発する。
論文参考訳（メタデータ） (2023-09-02T10:46:05Z)
Learning Scene Flow With Skeleton Guidance For 3D Action Recognition [1.5954459915735735]
本研究は3次元行動認識のための深部時間モデルによる3次元フローシーケンスの利用を実証する。また、最も識別性の高い運動力学を学ぶために、拡張された深部骨格も導入されている。高次クロスモーダル相関を学習する2つのモデルの間には,後期融合方式が採用されている。
論文参考訳（メタデータ） (2023-06-23T04:14:25Z)
3D Vessel Segmentation with Limited Guidance of 2D Structure-agnostic Vessel Annotations [3.6314292723682784]
教師付き深層学習は、自動3次元血管分割において優れた能力を示している。高価な3Dマニュアルアノテーションへの依存とアノテーションの再利用能力の制限は、教師付きモデルの臨床応用を妨げる。本稿では,公共の2次元血管アノテーションによる限られた誘導の下での3次元血管分割のための新しい3次元形状誘導型局所識別モデルを提案する。
論文参考訳（メタデータ） (2023-02-07T07:26:00Z)
RES: A Robust Framework for Guiding Visual Explanation [8.835733039270364]
本研究では,不正確な境界,不完全領域,不整合なアノテーションの分布を扱う新しい目的を開発することにより,視覚的説明を導くための枠組みを提案する。 2つの実世界の画像データセットに対する実験は、説明の理性およびバックボーンモデルの性能を向上させる上で、提案フレームワークの有効性を実証している。
論文参考訳（メタデータ） (2022-06-27T16:06:27Z)
Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation [70.32536356351706]
本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
論文参考訳（メタデータ） (2022-03-29T07:14:58Z)
Advancing 3D Medical Image Analysis with Variable Dimension Transform based Supervised 3D Pre-training [45.90045513731704]
本稿では,革新的でシンプルな3Dネットワーク事前学習フレームワークを再考する。再設計された3Dネットワークアーキテクチャにより、データ不足の問題に対処するために、修正された自然画像が使用される。 4つのベンチマークデータセットに関する総合的な実験により、提案した事前学習モデルが収束を効果的に加速できることが示されている。
論文参考訳（メタデータ） (2022-01-05T03:11:21Z)
Kinematic-Structure-Preserved Representation for Unsupervised 3D Human Pose Estimation [58.72192168935338]
大規模インスタディオデータセットの監視を用いて開発された人間のポーズ推定モデルの一般化可能性については疑問が残る。本稿では,2対あるいは2対の弱い監督者によって抑制されない,新しいキネマティック構造保存型非教師付き3次元ポーズ推定フレームワークを提案する。提案モデルでは,前方運動学,カメラ投影,空間マップ変換という3つの連続的な微分可能変換を用いる。
論文参考訳（メタデータ） (2020-06-24T23:56:33Z)

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。