論文の概要: Mamba? Catch The Hype Or Rethink What Really Helps for Image Registration

• arxiv url: http://arxiv.org/abs/2407.19274v1
• Date: Sat, 27 Jul 2024 14:57:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-30 19:01:38.804403
• Title: Mamba? Catch The Hype Or Rethink What Really Helps for Image Registration
• Title（参考訳）: Mamba? ハイプをキャッチするか、イメージ登録に本当に役立つものを再考する
• Authors: Bailiang Jian, Jiazhen Pan, Morteza Ghahremani, Daniel Rueckert, Christian Wachinger, Benedikt Wiestler,
• Abstract要約: 先進的な」計算要素は、登録精度を大幅に向上させることができないことを示す。 代わりに、明確に確立された登録専用設計は、ベースラインよりも1.5%の差で結果を向上する、公正な改善を提供する。 本研究は,全ての低レベル・高レベル登録コンポーネントの厳密な,偏りのない評価とコントリビューションの絡み合わせの重要性を強調した。
• 参考スコア（独自算出の注目度）: 12.827651476806858
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Our findings indicate that adopting "advanced" computational elements fails to significantly improve registration accuracy. Instead, well-established registration-specific designs offer fair improvements, enhancing results by a marginal 1.5\% over the baseline. Our findings emphasize the importance of rigorous, unbiased evaluation and contribution disentanglement of all low- and high-level registration components, rather than simply following the computer vision trends with "more advanced" computational blocks. We advocate for simpler yet effective solutions and novel evaluation metrics that go beyond conventional registration accuracy, warranting further research across diverse organs and modalities. The code is available at \url{https://github.com/BailiangJ/rethink-reg}.
• Abstract（参考訳）: 以上の結果から,「先進的」な計算要素の採用は,登録精度を著しく向上させるには至らなかったことが示唆された。 代わりに、明確に確立された登録専用設計は、明確な改善を提供し、ベースラインよりも1.5\%の差で結果を向上する。 本研究は、コンピュータビジョンのトレンドを「より高度な」計算ブロックで追従するのではなく、厳密で偏りのない評価と、すべての低レベルおよび高レベル登録コンポーネントの寄与の抑制の重要性を強調した。 従来の登録精度を超え、多様な臓器やモダリティのさらなる研究を保証し、よりシンプルで効果的なソリューションと新しい評価指標を提唱する。 コードは \url{https://github.com/BailiangJ/rethink-reg} で公開されている。

関連論文リスト

• Graph Anomaly Detection with Noisy Labels by Reinforcement Learning [13.135788402192215]
  本稿では,新しいフレームワークREGAD,すなわちReinforced Graph Anomaly Detectorを提案する。 具体的には,高信頼ラベルを用いたノード間を近似したノイズエッジを切断することにより,ベース検出器の性能向上(AUC)を最大化することを目的とする。
  論文  参考訳（メタデータ） (2024-07-08T13:41:21Z)
• RaFe: Ranking Feedback Improves Query Rewriting for RAG [83.24385658573198]
  アノテーションを使わずにクエリ書き換えモデルをトレーニングするためのフレームワークを提案する。 公開されているリランカを活用することで、フィードバックはリライトの目的とよく一致します。
  論文  参考訳（メタデータ） (2024-05-23T11:00:19Z)
• Are We Really Achieving Better Beyond-Accuracy Performance in Next Basket Recommendation? [57.91114305844153]
  次のバスケットレコメンデーション(NBR)は、ますます注目を集めている特別なタイプのシーケンシャルレコメンデーションである。 NBRに関する最近の研究は、繰り返し項目を推奨することと項目を探索することの間に大きなパフォーマンス差が見つかった。 本稿では,繰り返しアイテムを扱い,個別にアイテムを探索する2段階反復探索フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-02T09:59:35Z)
• Cobra Effect in Reference-Free Image Captioning Metrics [58.438648377314436]
  視覚言語事前学習モデル(VLM)を活用した参照フリー手法の普及が出現している。 本稿では,基準自由度に欠陥があるかどうかを考察する。 GPT-4Vは生成した文を評価するための評価ツールであり,提案手法がSOTA(State-of-the-art)の性能を達成することを示す。
  論文  参考訳（メタデータ） (2024-02-18T12:36:23Z)
• DIPR: Efficient Point Cloud Registration via Dynamic Iteration [4.491867613612359]
  我々は、ダイナミックイットフレームワークであるDIPRを通じて、スペーサー入力ポイントに基づくオーバーラップポイントに対話的にフォーカスする、新しい効率的なポイントクラウド登録を導入する。 提案手法は,最先端手法と比較して計算時間とGPUメモリ消費を大幅に削減しつつ,優れた登録精度を実現する。
  論文  参考訳（メタデータ） (2023-12-05T16:47:46Z)
• Towards Saner Deep Image Registration [27.293910167327084]
  本稿では,衛生検査顕微鏡による一般的な学習に基づく深層登録の動作について検討する。 既存のほとんどの登録は、過度に最適化された画像の類似性により、逆一貫性が低く、同一のペアの非識別に悩まされている。 本稿では, 逆整合性誤差を低減し, 同時に識別力を高めるために, 奥行きモデルに2つの正準チェックを課す新しい正則化法を提案する。
  論文  参考訳（メタデータ） (2023-07-19T00:41:39Z)
• Robust Multiview Point Cloud Registration with Reliable Pose Graph Initialization and History Reweighting [63.95845583460312]
  本稿では,ポイントクラウドのマルチビュー登録のための新しい手法を提案する。 提案手法は,3DMatchデータセットの登録リコール率を11%,ScanNetデータセットの登録エラー率を13%向上させる。
  論文  参考訳（メタデータ） (2023-04-02T06:43:40Z)
• Deconstructing Self-Supervised Monocular Reconstruction: The Design Decisions that Matter [63.5550818034739]
  本稿では,自己教師付き単分子深度推定への最先端の貢献を評価するための枠組みを提案する。 事前トレーニング、バックボーン、アーキテクチャ設計の選択、損失関数が含まれる。 我々は16の最先端コントリビューションを再実装し、検証し、再評価し、新しいデータセットを導入します。
  論文  参考訳（メタデータ） (2022-08-02T14:38:53Z)
• Uncertainty-Aware Annotation Protocol to Evaluate Deformable Registration Algorithms [3.2845753359072125]
  変形性登録における金規格構築のための原則的な戦略を紹介します。 i) 従来のアノテーションとの冗長性を考慮して、次に注釈をつけるための最も有益な場所を反復的に提案する; (ii) それぞれのアノテーションの空間的不確実性を考慮して、従来のポイントワイズアノテーションを拡張する; (iii) 自然に変形可能な登録アルゴリズムを評価するための新しい戦略を提供する。
  論文  参考訳（メタデータ） (2021-04-02T19:31:19Z)
• Registration Loss Learning for Deep Probabilistic Point Set Registration [0.0]
  点集合登録の確率的方法には、使用点数の線形複雑性のような興味深い理論的性質がある。 本研究では,その認識性能を最先端技術に合わせるために改良する。 我々は、登録誤りを直接損失として利用する登録損失学習戦略(RLL)を用いて、これらを共同で学習する。
  論文  参考訳（メタデータ） (2020-11-04T11:05:44Z)
• Reinforcement Learning with Feedback Graphs [69.1524391595912]
  エージェントがステップ毎に追加のフィードバックを受けた場合,決定過程におけるエピソード強化学習について検討する。 状態-作用対上のフィードバックグラフを用いてこの設定を定式化し、モデルベースのアルゴリズムが追加のフィードバックを利用してよりサンプル効率のよい学習を行うことを示す。
  論文  参考訳（メタデータ） (2020-05-07T22:35:37Z)

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。