Fugu-MT 論文翻訳(概要): Learning Topological Representations for Deep Image Understanding

論文の概要: Learning Topological Representations for Deep Image Understanding

arxiv url: http://arxiv.org/abs/2403.15361v1
Date: Fri, 22 Mar 2024 17:23:37 GMT
ステータス: 処理完了
システム内更新日: 2024-03-25 16:30:34.412638
Title: Learning Topological Representations for Deep Image Understanding
Title（参考訳）: 深層画像理解のためのトポロジ的表現の学習
Authors: Xiaoling Hu,
Abstract要約: 深層学習フレームワークにおけるトポロジカル構造の新しい表現法を提案する。我々は、トポロジカルデータ解析の数学的ツールを活用し、より良いセグメンテーションと不確実性推定のための原理的手法を開発した。
参考スコア（独自算出の注目度）: 8.698159165261542
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In many scenarios, especially biomedical applications, the correct delineation of complex fine-scaled structures such as neurons, tissues, and vessels is critical for downstream analysis. Despite the strong predictive power of deep learning methods, they do not provide a satisfactory representation of these structures, thus creating significant barriers in scalable annotation and downstream analysis. In this dissertation, we tackle such challenges by proposing novel representations of these topological structures in a deep learning framework. We leverage the mathematical tools from topological data analysis, i.e., persistent homology and discrete Morse theory, to develop principled methods for better segmentation and uncertainty estimation, which will become powerful tools for scalable annotation.
Abstract（参考訳）: 多くのシナリオ、特にバイオメディカルな応用において、ニューロン、組織、血管といった複雑な微細構造を正しく記述することは下流分析に不可欠である。ディープラーニング手法の強い予測力にもかかわらず、これらの構造を満足できる表現を提供していないため、スケーラブルなアノテーションや下流分析において大きな障壁が生じる。この論文では,これらのトポロジ的構造の新たな表現を深層学習フレームワークで提案することで,このような課題に対処する。我々は、トポロジカルデータ解析、すなわち永続ホモロジーと離散モース理論から数学的ツールを活用し、より優れたセグメンテーションと不確実性推定のための原則的手法を開発し、スケーラブルなアノテーションのための強力なツールとなる。

関連論文リスト

Hidden Holes: topological aspects of language models [1.1172147007388977]
我々は,GPTに基づく大規模言語モデルにおけるトポロジ的構造の発達について,訓練中の深度と時間にわたって検討した。後者は、すべての自然言語に共通する変化パターンを持つが、合成されたデータがない、よりトポロジ的な複雑さを示すことを示す。
論文参考訳（メタデータ） (2024-06-09T14:25:09Z)
Higher-order topological kernels via quantum computation [68.8204255655161]
トポロジカルデータ分析(TDA)は、複雑なデータから意味のある洞察を抽出する強力なツールとして登場した。本稿では,ベッチ曲線の次数増加に基づくBettiカーネルの量子的定義法を提案する。
論文参考訳（メタデータ） (2023-07-14T14:48:52Z)
S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文参考訳（メタデータ） (2023-04-15T09:39:52Z)
Topologically Regularized Data Embeddings [15.001598256750619]
低次元埋め込みにトポロジ的事前知識を組み込むための代数的トポロジに基づく汎用的アプローチを導入する。正規化器としてそのような位相損失関数を用いて埋め込み損失を共同最適化すると、局所的な近似だけでなく所望の位相構造も反映する埋め込みが得られることを示す。線形および非線形次元削減法とグラフ埋め込み法を組み合わせた計算効率,堅牢性,汎用性に関する提案手法を実験的に評価した。
論文参考訳（メタデータ） (2023-01-09T13:49:47Z)
Persistence-based operators in machine learning [62.997667081978825]
永続性に基づくニューラルネットワークレイヤのクラスを導入します。永続化ベースのレイヤにより、ユーザは、データによって尊重される対称性に関する知識を容易に注入でき、学習可能なウェイトを備え、最先端のニューラルネットワークアーキテクチャで構成できる。
論文参考訳（メタデータ） (2022-12-28T18:03:41Z)
Experimental Observations of the Topology of Convolutional Neural Network Activations [2.4235626091331737]
トポロジカル・データ解析は、複雑な構造のコンパクトでノイズ・ロバストな表現を提供する。ディープニューラルネットワーク(DNN)は、モデルアーキテクチャによって定義された一連の変換に関連する数百万のパラメータを学習する。本稿では,画像分類に使用される畳み込みニューラルネットワークの解釈可能性に関する知見を得る目的で,TDAの最先端技術を適用した。
論文参考訳（メタデータ） (2022-12-01T02:05:44Z)
Learning Probabilistic Structural Representation for Biomedical Image Segmentation [37.07198480786721]
構造表現を学習する最初の深層学習法を提案する。我々は、この手法の強み、すなわち位相的整合性の良いピクセルマップよりも真の構造を生成することを実証的に示す。
論文参考訳（メタデータ） (2022-06-03T06:00:26Z)
Generalized Shape Metrics on Neural Representations [26.78835065137714]
表現上の相似性を定量化する計量空間の族を提供する。我々は、正準相関解析に基づいて既存の表現類似度尺度を修正し、三角形の不等式を満たす。解剖学的特徴とモデル性能の観点から解釈可能な神経表現の関係を同定する。
論文参考訳（メタデータ） (2021-10-27T19:48:55Z)
Deep Unrolled Recovery in Sparse Biological Imaging [62.997667081978825]
ディープ・アルゴリズム・アンローリング(Deep Algorithm Unrolling)は、反復的アルゴリズムの解釈可能性と教師付きディープラーニングの性能向上を組み合わせたディープ・アーキテクチャを開発するためのモデルベースのアプローチである。この枠組みは生体イメージングの応用に適しており、測定プロセスを記述する物理モデルが存在し、回復すべき情報がしばしば高度に構造化されている。
論文参考訳（メタデータ） (2021-09-28T20:22:44Z)
A neural anisotropic view of underspecification in deep learning [60.119023683371736]
ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
論文参考訳（メタデータ） (2021-04-29T14:31:09Z)
Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。共通情報と相補情報の両方を敵意で抽出することを目的としている。特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文参考訳（メタデータ） (2021-02-15T18:46:44Z)

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。